NC | 使用GraphST对空间转录组进行空间信息聚类、整合和去卷积

最新推荐文章于 2024-05-25 08:14:03 发布
最新推荐文章于 2024-05-25 08:14:03 发布
阅读量507 收藏 3
点赞数
分类专栏： 空间转录组 文章标签： 聚类 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wen05054105/article/details/129752242
版权

空间转录组技术生成具有空间背景的基因表达谱，需要空间信息分析工具来完成三个关键任务：空间聚类、多样本整合和细胞类型去卷积。近日，《Nature Communications》发表了一种图自我监督的对比学习方法：GraphST，其充分利用空间转录组学数据，以优于现有方法。

GraphST是什么？

GraphST是一种图自我监督对比学习方法，它充分利用空间信息和基因表达谱进行空间信息聚类、整合和细胞类型去卷积。通过在GraphST中使用自我监督对比学习，发现它提高了学习下游分析的相关潜在特征的性能。

GraphST包括三个模块，每个模块都具有分别针对三个任务定制的图形自我监督对比学习架构：空间信息聚类（上图A）、多个组织切片的垂直和水平批量集成（上图 B），以及通过向ST投影scRNA-seq来进行空间细胞类型去卷积（上图C）。在所有三个模块中，利用空间转录组学数据集的空间信息来构建邻域图，其中空间上彼此接近的点被连接起来。接下来，构建图卷积网络作为编

最低0.47元/天 解锁文章
wen05054105
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CCST：基于图神经网络对空间转录组数据进行聚类分析
wen05054105的博客
07-08 2081
6月27日《Nature Computational Science》发表了一种基于图卷积网络（GCNs）的细胞聚类方法：CCST，这是一种基于GCNs的无监督细胞聚类方法，用于改进从头计算的细胞聚类和基于手动整理细胞类别注释的细胞亚型发现。...
SpatialCPie：用于空间转录组聚类评估的工具
wen05054105的博客
10-14 232
来自瑞典和美国的科研团队开发了SpatialCPie，一个易于使用的R包，可以让用户直观地了解ST数据中的“簇”是如何相互关联的，以及二维ST阵列上的每个区域与每个“簇”的关联程度。
空间转录组数据分析之生态位聚类（Banksy）
最新发布
weixin_53637133的博客
05-25 413
空间转录组数据分析之生态位聚类（Banksy）
10X空间转录组聚类分析之图卷积网络（graph convolutional network）
weixin_53637133的博客
05-04 939
10X空间转录组聚类分析之图卷积网络（graph convolutional network）
10X单细胞（10X空间转录组）聚类方法分析之ENCORE
weixin_53637133的博客
05-05 938
10X单细胞（10X空间转录组）聚类方法分析之ENCORE
SFCM_模糊均值_模糊聚类算法_空间信息聚类_图像聚类_SFCM
09-11
SFCM模糊均值聚类算法是数据挖掘和图像处理中的重要工具，尤其在处理包含空间信息的数据时，能提供比传统FCM更优的聚类结果。通过对数据点的模糊归属和空间邻接的综合考虑，SFCM能够有效地捕捉数据点间的复杂关联，...
融合高光谱影像三维空谱特征的子空间聚类算法
04-30
为提高高光谱遥感影像的聚类精度，将三维空谱特征和子空间聚类算法相结合，提出一种新的稀疏子空间聚类模型，在关注高光谱影像光谱信息的同时也关注了空间上下文信息。首先提取高光谱影像像素点的三种三维空谱特征；...
稀疏子空间聚类综述
03-19
稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架....本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.
大作业-子空间聚类算法的MATLAB实现项目源码+PPT文档+使用方法.zip
04-07
大作业—子空间聚类算法的MATLAB实现项目源码+PPT文档+使用方法.zip本资源中的源码都是经过本地编译过可运行的，下载后按照文档配置好环境就可以运行。资源项目的难度比较适中，内容都是经过助教老师审定过的能够...
国产空转工具推荐 | STRIDE：使用scRNA-seq对空间转录组进行精准的整合分析
wen05054105的博客
09-28 592
2022年3月，来自同济大学的科研团队在《Nucleic acids research》发表了一种基于主题模型的空间转录组学去卷积方法：STRIDE，通过机器学习方法及数据整合，将空间转录组学数据提升至单细胞精度。
DSTG：基于图形的卷积网络对空间转录组数据进行去卷积
wen05054105的博客
10-14 557
一种新的基于图形的人工智能方法即DSTG，通过基于图形的卷积网络对ST数据进行去卷积。DSTG可利用scRNA-seq数据揭示ST数据中的细胞混合物。
SpaGCN:整合基因表达、空间定位和组织学，通过图卷积网络识别空间域和空间可变基因
weixin_45663644的博客
11-20 2530
文献精度SpaGCN:整合基因表达、空间定位和组织学，通过图卷积网络识别空间域和空间可变基因
Hist2ST：联合Transformer和图神经网络从组织学图像中进行空间转录组学预测
wen05054105的博客
09-28 886
近日《Briefings in Bioinformatics》发表了一种空间信息引导的深度学习方法：Hist2ST，用于从全载玻片图像(WSIs)进行空间转录组预测。
【论文分享】图上的不平衡结点分类：GraphSR: A Data Augmentation Algorithm for Imbalanced Node Classification
vector的博客
05-29 1658
基于这两步选择，模型会为自动地在无标签节点中，挑选出那些最有可能是少数类的节点来补充少数类，使得训练数据集从之前的不平衡状态达到平衡状态。在这两步选择之前，首先会用目前已有的带标签数据集训练一个初始的gnn，使用这个gnn求得图上所有结点的嵌入，当然这个给gnn是有偏差的，因为属实的训练数据集是很不平衡的首先我们来看基于相似性的选择，通过这个模块，数据集从左图变成了右图，我们先看一下发什么什么变化蓝色节点代表多数类，红色节点代表少数类，白色的虚线节点代表的是无标签节点。
10X单细胞（10X空间转录组）聚类分析之scDCC
weixin_53637133的博客
04-24 782
10X单细胞（10X空间转录组）聚类分析之scDCC
【算法详解】SPIRAL：空间转录组数据整合与切片对齐新算法
weixin_60734652的博客
10-25 949
SPIRAL由SPIRAL-integration和SPIRAL-alignment两部分组成。 SPIRAL-integration通过结合GraphSAGE网络和域适应网络（domain adaptation network），使用基因表达数据和空间位置关系数据作为输入，来纠正批次效应。 SPIRAL-integration部分由四个神经网络构成，分别为1）作为编码器的GraphSAGE网络，2）噪声分类网络，3）生物鉴别网络，这两者用于将低维表示分解为噪声部分和生物部分，4）用于从低维表示重建基因
​ICML 2023 | 港大提出创新时空图预训练架构，助力智慧城市多维任务学习
Paper weekly
01-25 889
论文题目：Spatial-Temporal Graph Learning with Adversarial Contrastive Adaptation收录会议：ICML 2023论文链接：https://arxiv.org/abs/2306.10683代码链接：https://github.com/HKUDS/GraphST港大数据智能实验室（指导老师：黄超）https://sites.goog...
Annotation of spatially resolved single-cell data with STELLAR
04-28
STELLAR (Spatially-resolved Transcriptomics with Ellipsoid Decomposition and Latent Actualization for Reconstruction) is a computational tool developed by researchers at the Broad Institute of MIT and Harvard for annotating spatially resolved single-cell data. It uses a combination of machine learning algorithms and image analysis techniques to identify cell types and characterize gene expression patterns within individual cells. To use STELLAR, researchers first generate spatially resolved single-cell data using techniques such as spatial transcriptomics or in situ sequencing. This data typically consists of spatial coordinates for each cell, as well as information on gene expression levels for a large number of genes. STELLAR then uses a number of different algorithms to analyze this data and identify cell types. First, it uses an ellipsoid decomposition algorithm to model the spatial distribution of cells within the tissue sample. This allows it to identify clusters of cells that are likely to be of the same type. Next, STELLAR uses a latent actualization algorithm to model the gene expression patterns within each cell. This allows it to identify genes that are expressed at high levels within specific cell types, and to assign cell type labels to individual cells based on their gene expression profiles. Overall, STELLAR provides a powerful tool for analyzing spatially resolved single-cell data, and has the potential to significantly advance our understanding of cellular organization and function within complex tissues.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值