利用GraphST对时空组学进行空间信息的聚类、集成和反卷积

2023.03.01

Nature Communications [IF：17.694]

① 开发了一种图自监督对比学习方法GraphST，该方法充分利用空间信息和基因表达谱进行空间信息聚类、批处理集成和细胞类型反卷积。

②GraphST首先将图神经网络与基于增强的自监督对比学习相结合，通过编码基因表达和空间邻近性来学习用于空间聚类的spots的表示；然后通过训练一个自动编码器，以无监督的方式从scRNA-seq数据中学习信息丰富的细胞特征；最后，利用映射矩阵来推断空间转录组spots的细胞类型组成。

③将GraphST应用于人类和小鼠组织的不同Visium、Stereo-seq和Slide-seqV2数据集（人脑、乳腺癌组织和淋巴结；小鼠乳腺癌、嗅球、大脑和胚胎），发现其在识别空间域方面优于现有的7种方法（如Seurat、Giotto等），并能有效去除批次效应，而无需明确检测批次因素。

④通过GraphST将scRNA-seq数据投射到空间转录组上以预测空间spots中的细胞状态（细胞类型和样本类型），与cell2location（性能最好的反卷积方法）相比，其计算出的cell-to-spot映射矩阵比可以更准确地推断细胞类型组成。

⑤GraphST可以将scRNA-seq衍生的样本表型转移到空间转录组上，这一点通过描绘肿瘤来源的组织切片中肿瘤和正常相邻区域得到了证明。（Lina）

65fdf

GraphST工作原理图

Spatially informed clustering, integration, and deconvolution of spatial transcriptomics with GraphST.

2023.03.01；DOI：10.1038/s41467-023-36796-3

研究文章；人，小鼠，脑，胚胎，乳腺癌组织，空间转录组，GraphST，反卷积，细胞聚类；YahuiLong, Jinmiao Chen; Singapore Immunology Network (SIgN), NationalUniversity of Singapore (NUS); Singapore.

期刊·Nature Communications 物种·人、小鼠样本类型·脑、乳腺、胚胎

返回列表