论文阅读记录

DeepST

  • 标题：DeepST: identifying spatial domains in spatial transcriptomics by deep learning
  • 作者：Harbin Institute of Technology
  • 发表会议/期刊：Nucleic Acids Research
  • 年份：2022
  • 链接：DeepST

主要内容简介

  • Motivation:
    1. 先前方法主要依赖线性主成分分析来提取基因表达的高变特征，因此无法建模复杂的非线性相互作用
    2. 未充分利用空间信息，且在预测组织结构方面存在局限
    3. 大多数分析大量ST数据的空间方法无法正确校正批次效应，且不能处理其他空间组学数据，使其通用性不足

方法与创新点

  • 总体框架：

    Generalization

  • 方法概述：

    1. Spatial data augmentation(平滑补偿机制):

      • 基因表达相关性（GCij）​​：基于标准化后的余弦距离计算点对间表达谱相似性；
      • 形态学相似性（MSij）​​：
        • 从H&E图像提取局部区块，经数据增强（旋转、锐化等）后通过预训练CNN（如Inception v3）提取2048维特征；
        • 使用PCA降维至50维主成分，最终通过余弦距离量化形态相似性；
      • 空间邻近性（SWij）​​：基于坐标计算点间距离，定义半径γ（最近4点距离均值+方差）作为邻居判定阈值。

      Generalization

    2. Graph construction:

      • 基于空间坐标计算spots间距离，使用BallTree算法，默认top12为邻居，构建Graph

    3. Denoising autoencoder：

      Generalization

    4. Variational graph autoencoder(VAE)：

      Generalization

    5. Domain adversarial neural networks:

      • 目的：DAN的目的是将不同分布的源域和目标域映射到同一特征空间，使空间中的距离尽可能接近。

      Generalization