SUICA : Apprentissage de représentations neuronales implicites parcimonieuses en très haute dimension pour la transcriptomique spatiale

La transcriptomique spatiale (ST) est une méthode qui capture les profils d'expression des gènes alignés avec des coordonnées spatiales. La distribution spatiale discrète et les résultats de séquençage à très haute dimension rendent les données ST difficiles à modéliser efficacement. Dans cet article, nous parvenons à modéliser la ST de manière continue et compacte grâce au nouvel outil proposé, SUICA, qui bénéficie de la grande capacité d'approximation des représentations neuronales implicites (INRs), capables d'améliorer à la fois la densité spatiale et l'expression génétique. Plus précisément, dans le cadre du SUICA proposé, nous intégrons un Autoencodeur augmenté par un graphe pour modéliser efficacement les informations contextuelles des points non structurés et fournir des plongements informatifs sensibles à la structure pour la cartographie spatiale. Nous abordons également la distribution extrêmement biaisée en adoptant une approche de régression par classification et appliquons des fonctions de perte basées sur la classification pour optimiser le SUICA. Par des expériences exhaustives sur une large gamme de plates-formes ST courantes sous diverses dégradations, le SUICA surpassent tant les variantes INR conventionnelles que les méthodes de pointe en termes de fidélité numérique, de corrélation statistique et de conservation biologique. Les prédictions du SUICA mettent également en évidence des signatures géniques amplifiées qui enrichissent la conservation biologique des données brutes et profitent aux analyses ultérieures.