AnnST：空间转录组学中鲁棒的跨切片标签传输框架

《BMC Bioinformatics》：AnnST: robust cross-section tissue domain label transfer in spatial transcriptomics via contrastive learning and optimal transport

摘要

背景

在空间转录组学数据中跨不同切片转移组织域标签仍然是一个挑战。一个关键问题是如何同时解决技术性数据丢失（dropout）和切片间的批次效应（batch effects），同时保持组织结构的空间一致性。现有的方法通常只能部分解决这些问题，并且往往无法在不同切片间保持稳定的注释结果。

结果

在本研究中，我们提出了AnnST，这是一个用于空间转录组学中跨切片标签传输的鲁棒框架。AnnST能够生成干净的数据集、受到数据丢失影响的数据集以及受到批次效应影响的数据集。对比学习提高了对数据丢失噪声的鲁棒性，而最优传输机制减少了由批次效应引起的变异。在监督式微调过程中，我们还使用了一种考虑标签信息的空间正则化方法来保持局部组织结构的一致性。我们在DLPFC Visium、SEA-AD MERFISH和人类乳腺癌Visium数据集上评估了AnnST的性能。AnnST在这些数据集上的注释效果表现出色，并且在不同随机种子情况下结果稳定。此外，该技术在面对多种技术干扰时仍能保持其鲁棒性。后续分析进一步表明，预测的注释结果能够保留大脑皮层的层状结构，并支持具有生物学意义的功能分析。

结论

AnnST为空间转录组学中的跨切片注释提供了一个鲁棒且生物学上可解释的框架，为使用不同空间转录组平台生成的数据集进行后续空间分析提供了实用的解决方案。

背景

在空间转录组学数据中跨不同切片转移组织域标签仍然是一个挑战。一个关键问题是如何同时解决技术性数据丢失和切片间的批次效应，同时保持组织结构的空间一致性。现有的方法通常只能部分解决这些问题，并且往往无法在不同切片间保持稳定的注释结果。

结果

在本研究中，我们提出了AnnST，这是一个用于空间转录组学中跨切片标签传输的鲁棒框架。AnnST能够生成干净的数据集、受到数据丢失影响的数据集以及受到批次效应影响的数据集。对比学习提高了对数据丢失噪声的鲁棒性，而最优传输机制减少了由批次效应引起的变异。在监督式微调过程中，我们还使用了一种考虑标签信息的空间正则化方法来保持局部组织结构的一致性。我们在DLPFC Visium、SEA-AD MERFISH和人类乳腺癌Visium数据集上评估了AnnST的性能。AnnST在这些数据集上的注释效果表现出色，并且在不同随机种子情况下结果稳定。此外，该技术在面对多种技术干扰时仍能保持其鲁棒性。后续分析进一步表明，预测的注释结果能够保留大脑皮层的层状结构，并支持具有生物学意义的功能分析。

结论

AnnST为空间转录组学中的跨切片注释提供了一个鲁棒且生物学上可解释的框架，为使用不同空间转录组平台生成的数据集进行后续空间分析提供了实用的解决方案。