Qingtian Zhu Yumin Zheng Yuling Sang Yifan Zhan Ziyan Zhu Ziyan Zhu et al

Abstract

Raumbezogene Transkriptomik (Spatial Transcriptomics, ST) ist eine Methode, die genausdrucksprofile in Abstimmung mit räumlichen Koordinaten erfasst. Die diskrete räumliche Verteilung und die ultrahochdimensionalen Sequenzierungsergebnisse machen ST-Daten schwierig, effektiv zu modellieren. In dieser Arbeit gelingt es uns, ST durch das vorgeschlagene Werkzeug SUICA kontinuierlich und kompakt zu modellieren. Dies wird ermöglicht durch die ausgezeichnete Approximationsfähigkeit der impliziten neuronalen Repräsentationen (Implicit Neural Representations, INRs), die sowohl die räumliche Dichte als auch den Genausdruck verbessern können. Innerhalb des vorgeschlagenen SUICA integrieren wir einen graphenverstärkten Autoencoder, um die Kontextinformation der unstrukturierten Stellen effektiv zu modellieren und strukturbewusste Einbettungen für die räumliche Abbildung bereitzustellen. Wir behandeln zudem die extrem schiefen Verteilungen in einer regressionsbasierten Klassifizierungsweise und setzen klassifikationsbasierte Verlustfunktionen zur Optimierung von SUICA ein. Durch umfangreiche Experimente mit einer Vielzahl gängiger ST-Plattformen unter unterschiedlichen Degradationen übertrifft SUICA sowohl herkömmliche INR-Varianten als auch Stand-of-the-Art-Methoden hinsichtlich numerischer Genauigkeit, statistischer Korrelation und biologischer Konservierung. Die Vorhersage von SUICA zeigt außerdem verstärkte Gensignaturen, die die biologische Konservierung der Rohdaten bereichern und nachfolgende Analysen fördern.