基于图注意力对比网络stDGAC的空间转录组数据去噪与空间域识别新方法

为解决空间转录组(SRT)数据高维度、高噪声及空间信息利用不足的难题，研究人员提出stDGAC方法，联合去噪自编码器与图注意力对比网络(GAC)，实现空间域精准识别。实验证明其在空间聚类、轨迹推断等下游任务中优于现有方法，为组织结构和功能解析提供新工具。

　　

空间转录组技术的突破与挑战
随着10x Visium、Slide-seq、MERFISH等空间转录组(Spatially Resolved Transcriptomics, SRT)技术的发展，科学家们得以在保留细胞空间位置的同时获取全转录组数据。这种技术为解析复杂组织的结构和功能提供了前所未有的机会。然而，这些数据往往具有高维度、高噪声的特点，且存在基因表达相似但空间分布不同的挑战。传统方法如K-means、BayesSpace等，或忽视非线性相互作用，或难以有效整合空间信息，导致空间域识别精度受限。

创新方法stDGAC的诞生
针对这些挑战，中国研究人员开发了stDGAC方法。该方法巧妙地将去噪自编码器(Denoising Autoencoder, DAE)与图注意力对比网络(Graph Attention Contrastive network, GAC)相结合，通过两个关键步骤实现突破：首先利用DAE对高噪声基因表达数据进行降维和去噪，随后通过GAC聚合空间邻域信息，学习更具判别性的低维表示。这一创新不仅解决了数据质量问题，还通过对比学习策略增强了空间上下文的表征能力。

关键技术方法
研究采用12个DLPFC(Dorsolateral Prefrontal Cortex)切片数据集验证stDGAC性能。技术核心包括：(1)预训练DAE进行数据降维和去噪；(2)构建空间邻域图并输入GAC网络；(3)设计局部空间上下文对比学习策略；(4)使用调整兰德指数(ARI)等指标评估聚类效果。

研究结果
空间域识别性能优越
在DLPFC切片151675和151507上的实验显示，stDGAC的ARI值显著高于SEDR、DeepST等方法。例如在151675切片中，stDGAC准确区分了6层皮质结构，而对比方法在层间边界区域出现混淆。

基因表达去噪效果显著
通过比较原始数据与stDGAC处理后的基因表达矩阵，发现该方法有效消除了技术噪声，同时保留了生物真实的表达模式。例如在WM(白质)区域特异性基因的检测中，信噪比提升达35%。

轨迹推断准确性提升
在发育轨迹重建任务中，stDGAC生成的伪时间序列与已知生物学过程高度一致，较BayesSpace等方法的轨迹连续性提高22%。

结论与展望
stDGAC通过DAE与GAC的协同作用，首次实现了空间转录组数据的联合去噪与空间域识别。其创新性体现在：(1)利用对比学习增强空间上下文表征；(2)通过图注意力机制自适应学习邻域相似性。该方法在阿尔茨海默病等空间异质性疾病研究中具有重要应用价值。未来可进一步拓展至多组学数据整合及三维空间转录组分析。

论文发表于《Computers in Biology and Medicine》，通讯作者为Jin-Xing Liu，研究得到国家自然科学基金(62473179, 62172254)支持。