HarveST 使用异构图学习框架来揭示空间转录组学模式

《Communications Biology》：HarveST uses a heterogeneous graph learning framework to reveal spatial transcriptomics patterns

　　

摘要

空间转录组学技术实现了原位基因表达分析，但精确的空间域识别和标记基因检测仍然具有挑战性。我们提出了HarveST，这是一个基于异构图的框架，它通过统一的计算模型整合了空间、转录组学和基因间相互作用数据。HarveST采用了双重学习策略：自监督学习用于特征提取，部分监督学习用于域的划分。此外，它还实现了带有重启功能的随机游走算法（Random Walk with Restart），用于识别空间域中的时空变异基因（SVGs）。在人类大脑皮层组织、小鼠嗅球以及多个平台上的肿瘤微环境中应用后，HarveST在检测具有生物学意义的空间域及相关标记基因方面表现出优异的性能。HarveST还支持对连续的空间转录组学切片进行联合分析，从而能够跨切片一致地重建功能域。通过在一个图论框架中同时捕捉空间拓扑结构和分子关系，HarveST将空间转录组学分析提升到了传统聚类方法之上，为正常和病理状态下的组织结构及细胞相互作用提供了更深入的见解。