Spatial-MGCN and MAFN details supplement
论文阅读记录
Spatial-MGCN
- 标题：Spatial-MGCN: a novel multi-view graph convolutional network for identifying spatial domains with attention mechanism
- 作者：Hunan University
- 发表会议/期刊：Briefings in Bioinformatics
- 年份：2023
- 链接：Spatial-MGCN
主要内容简介
Motivation：While increasingly computational methods have been developed for spatial domain detection, most of them cannot adaptively learn the complex relationship between gene expression and spatial information, leading to sub-optimal performance.
本文可以视作MAFN的“前身”，主要区别可能是特征图和空间图的融合方式和部分模块细节。
方法与创新点
总体框架：
方法概述：
MAFN细节补充
方法概述：
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 小鱼日记！
相关推荐
2025-09-25
Bering
论文阅读记录Bering 标题：Bering: joint cell segmentation and annotation for spatial transcriptomics with transferred graph embeddings 作者：Harvard University 发表会议/期刊：Nature Communications 年份：2025 链接：Bering 主要内容简介 Motivation:Some tissues have densely packed cells with unclear boundaries, making it difficult to perform accurate segmentation Task:Cell segmentation and annotation for spatial transcriptomics 方法与创新点 总体框架： 方法概述： 图构建，NGC 图卷积和全连接网络 节点分类 边嵌入由三部分组成- node representation-...
2025-09-08
Deep Fusion Clustering Network
📖 论文阅读记录1. 基本信息 论文题目：Deep Fusion Clustering Network 作者/机构：National University of Defense Technology 会议/期刊：AAAI 年份：2021 2. 研究背景 研究领域：深度聚类 主要问题： 缺乏动态融合机制来选择性整合和精炼图结构与节点属性的信息以达成共识表示学习； 未能从双方提取信息以生成鲁棒的目标分布（即“真实”软标签）。 相关工作： 属性图聚类 目标分布生成 3. 核心贡献 ✨ 创新点：通过SAIF模块实现AE与IGAE的特征深度融合 4. 方法 SAIF总体框架： 标号： Fusion-based Autoencoders Structure and Attribute Information Fusion Joint loss and Optimization 5. 实验 数据集： ...
2025-09-21
GraphST
论文阅读记录GraphST 标题：Spatially informed clustering, integration,and deconvolution of spatial transcriptomics with GraphST 作者：National University of Singapore (NUS) 发表会议/期刊：Nature Communications 年份：2023 链接：GraphST 主要内容简介 Motivation: 反卷积未利用空间信息 多样本整合未利用空间信息 方法与创新点 总体框架： 方法概述： graph self-supervised contrastive learning framework： data augmentation GNN-based encoder for representation learning self-supervised contrastive learning for representation refinement ...
2025-09-11
基于代码理解MAFN
📖 论文阅读记录1. 基本信息 论文题目：Multi-View Adaptive Fusion Network for Spatially Resolved Transcriptomics Data Clustering 作者/机构：China University of Geosciences 会议/期刊：IEEE TRANSACTIONS 年份：DECEMBER 2024 论文链接：MAFN_IEEE 2. 方法总览 总体框架： 关键技术路线： spatial graph G1(euclidean distance & r), feature graph G2(cosine similarity & kNN) Inter-View Complementary Features Learning (GCN) Intra-View Discriminative Features Learning(GCN + Lc –> (S-I)^2) Cross-View Attention Module...
2025-09-23
IE-HERCL
论文阅读记录IE-HERCL 标题：Image-Enhanced Hybrid Encoding with Reinforced Contrastive Learning for Spatial Domain Identification in Spatial Transcriptomics 作者：Central South University 发表会议/期刊：IJCAI 年份：2025 链接：IE-HERCL 主要内容简介 Motivation: Exisisting methods fail to account for complex interdependencies between modalities. 方法与创新点 总体框架： 方法概述： Multimodal Feature Representation Learning utilize AE to extract & Loss function L_rec: $$L^g_{rec} = | X_{g,i} -...
2025-09-20
STAGATE
论文阅读记录STAGATE 标题：Deciphering spatial domains from spatially resolved transcriptomics with an adaptive graph attention auto-encoder 作者：University of Chinese Academy of Sciences 发表会议/期刊：Nature Communications 年份：2022 链接：STAGATE 主要内容简介 Motivation: 邻域相似性是预定义的，无法自适应学习。 方法与创新点 总体框架： 方法概述： Construction of SNN (Construction of cell type-aware SNN (optional)) Graph attention auto-encoder Encoder Decoder (迭代和encoder相似) graph attention layer -graph...
