论文阅读记录

STMGraph

  • 标题：STMGraph: spatial-context-aware of transcriptomes via a dual-remasked dynamic graph attention model
  • 作者：Fujian Agriculture and Forestry University
  • 发表会议/期刊：Briefings in Bioinformatics
  • 年份：2025
  • 链接：STMGraph

主要内容简介

  • Motivation：the current ST integration algorithm ignores for ST dropouts, which impedes the spatial-aware of ST features, resulting in challenges in the accuracy and robustness of microenvironmental heterogeneity detecting, spatial domain clustering, and batch-effects correction.

  • 现有ST域聚类方法分类：生成式(generative)图自监督学习（Graph SSL）和对比式(contrastive)图自监督学习

    方法类别 代表方法
    Generative Graph SSL DeepST, STAGATE, Spatial-MGCN
    Contrastive Graph SSL GraphST, conST, SpaceFlow

方法与创新点

  • 总体框架：

    Generalization

  • 方法概述：

    1. Mask-Remask Mechanism
    2. Dynamic graph attention model(DGAT)
    3. Dual-View Remask
    4. Loss function

    loss

个人评价与思考

  • 启发：
    1. 随机掩蔽50%节点模拟真实ST数据中的dropout事件，迫使模型学习在部分特征缺失下的推理能力。
    2. 对编码器输出嵌入H进行二次随机掩蔽（50%），进一步破坏特征，迫使解码器从更抽象的表示中重建原始数据，增强嵌入的鲁棒性和泛化性。