HetAnn：基于图注意力网络的半监督空间转录组学细胞类型注释方法

《IEEE Transactions on Computational Biology and Bioinformatics》：HetAnn: Cell Type Annotation for Spatial Transcriptomics by Heterogeneous Graph Learning

　　

摘要：

目前，多项新型空间转录组学（ST）技术已实现了细胞级甚至亚细胞级的空间分辨率。随着单细胞ST数据量的不断增长，有效地对细胞类型进行注释变得至关重要。大多数针对ST数据的自动注释方法均使用参考单细胞RNA测序（scRNA-seq）数据，但如何高效地将ST数据中的空间信息与ST及scRNA-seq数据中的基因表达信息整合到统一模型中，仍然是一项挑战。整合单细胞多模态数据的难点在于不同模态具有不同的特征空间，这容易导致细胞类型错配。在本研究中，我们提出了一种名为HetAnn的半监督深度学习方法，用于ST数据的细胞类型注释。HetAnn通过学习细胞图来获取ST特异性表示，该图同时考虑了ST数据中细胞间的空间距离和基因表达相似性。HetAnn采用图注意力网络，在ST数据和参考scRNA-seq数据上进行端到端联合训练，以学习多模态表示。这两种全面的嵌入使得HetAnn能够在保留细胞类型异质性的同时消除模态间的差异。在公共数据集上的实验表明，HetAnn相比现有最先进的方法具有显著优势。