SUICA: スーパーハイ次元のスパースな暗黙のニューラル表現を学習して空間トランスクリプトミクスに応用

空間トランスクリプトミクス（Spatial Transcriptomics, ST）は、空間座標に合わせて遺伝子発現プロファイルを捕捉する手法である。離散的な空間分布と超高次元のシーケンス結果により、STデータの効果的なモデリングは困難を極める。本論文では、提案されたツールSUICAを用いて、STを連続的かつコンパクトにモデル化することに成功した。SUICAは、Implicit Neural Representations (INRs) の優れた近似能力によって支えられており、この能力により空間密度と遺伝子発現の両方を向上させることができる。具体的には、SUICAにおいて非構造化スポットのコンテキスト情報を効果的にモデル化し、構造に配慮した空間マッピングのために情報量豊富な埋め込みを提供するために、グラフ強化型オートエンコーダーを組み込んだ。また、回帰による分類的手法で極めて偏った分布に対処し、SUICAの最適化のために分類に基づく損失関数を適用した。多様な劣化条件下で一般的なSTプラットフォームの広範な実験を通じて、SUICAは従来のINR変種および最先端手法（SOTA）よりも数値忠実度、統計的相関性、生物学的保存性において優れていることが示された。SUICAによる予測は、生データの生物学的保存性を豊かにする遺伝子シグネチャーの増幅を示しており、その後の解析にも貢献している。