绘制空间基因表达地形图：可解释深度学习的创新突破

空间分辨转录组学技术虽能高通量测量组织切片基因表达，但数据稀疏给分析带来困难。研究人员开展相关研究，开发出 GASTON（空间转录组组织梯度分析神经网络）算法，可准确识别多种组织的空间域和标记基因等，为该领域研究提供新方法。

　　空间分辨转录组学（Spatially resolved transcriptomics）技术能够对组织切片中的基因表达进行高通量测量，然而这些数据的稀疏性使得分析空间基因表达模式变得复杂。研究人员通过一种名为等深度（isodepth）的量，绘制出组织切片的地形图（类似于地貌中的海拔图）来解决这一问题。恒定等深度的等高线包围着具有不同细胞类型组成的区域，而等深度的梯度则指示了表达最大变化的空间方向。研究人员开发了 GASTON（gradient analysis of spatial transcriptomics organization with neural networks，空间转录组组织梯度分析神经网络），这是一种无监督且可解释的深度学习算法，它能同时学习等深度、空间梯度以及分段线性表达函数，这些函数可对基因表达的连续梯度和不连续变化进行建模。研究表明，GASTON 能准确识别多种组织中的空间域和标记基因、大脑中神经元分化和放电的梯度，以及肿瘤微环境中代谢和免疫活动的梯度。