SpaceFlow是一种深度学习框架，用于分析空间转录组数据，结合细胞的表达相似性和空间位置，生成低维嵌入，揭示细胞的时空模式。它在多种数据集上表现出色，能稳定地识别区域分割并发现生物意义的空间域，适用于研究组织发育和肿瘤免疫微环境等。
分析空间转录组数据集的一个主要挑战是同时合并细胞转录组相似性及其空间位置。近日《Nature Communications》发表了一个灵活的深度学习框架：SpaceFlow，在分析空间转录组数据时结合时空信息。
SpaceFlow是什么？
SpaceFlow通过使用空间正则化深度图网络合并表达相似性和空间信息来生成空间一致的低维嵌入。在嵌入的基础上，开发团队引入了一个伪时空图（pseudo-Spatiotemporal Map），将伪时间概念与细胞的空间位置相结合，以揭示细胞的时空模式。
SpaceFlow概述
1） 将ST数据编码到低维嵌入中，反映ST数据中细胞的表达相似性和空间接近性；2） 通过从嵌入中导出的伪时空图（pSM）合并ST数据中细胞或斑点的时空关系；3） 识别具有一致表达模式、清晰边界和较少噪声的空间域。
最低0.47元/天 解锁文章
1696
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
