smiMAD：一种用于配对空间组学数据整合的图神经网络方法

《Bioinformatics》：smiMAD: Adaptive multi-view graph learning for paired spatial omics integration

　　

摘要

动机

配对空间组学技术在保留组织空间上下文的同时，同步测量转录组图谱以及表观基因组或蛋白质组图谱。由于不同模态在特征分布、稀疏性和空间依赖性上存在差异，整合仍具有挑战性。现有方法可能无法充分建模互补的图视图或适应空间约束，从而限制了空间组织和模态特异性信息的保留。

结果

我们提出了用于配对空间组学整合的smiMAD方法。smiMAD通过图视图特定分支和共有信息分支对空间邻域图与分子特征图进行建模。一个自适应门控机制融合图视图与模态信息，而对齐—去相关目标促进共有信息嵌入的一致性并减少分支冗余。一种动态空间一致性策略在训练过程中逐步放松空间约束。在17个模拟数据集和15个真实RNA–ATAC及RNA–蛋白质数据集中，smiMAD在聚类准确性、空间一致性和多模态整合性能方面均取得了具有竞争力的结果。分子标记模式为推断出的空间区域提供了有力支持。

可用性与实现

源代码可在 https://github.com/fdu-wangfeilab/smiMAD 获取，本研究使用的版本已存档于 https://zenodo.org/records/22931624。数据可在 https://zenodo.org/records/17207079 获取。