利用SpaMV实现可解释的空间多组学数据整合与降维

《Nature Communications》：Interpretable spatial multi-omics data integration and dimensionality reduction with SpaMV

　　

摘要

空间多组学技术通过从多个角度提供具有空间分辨率的分子特征，彻底改变了我们对生物系统的理解。现有的空间多组学整合方法通常假设不同组学的数据具有共同的底层分布，并试图将它们投影到同一个统一的潜在空间中。然而，这种假设掩盖了各组学所具有的独特价值，从而限制了多组学分析的潜力。为了解决这一局限，我们提出了空间多视图（SpaMV）表示学习算法，该算法能够同时捕捉组学间的共享信息以及各组学特有的信息，从而实现更全面且易于理解的空间多组学数据表示。通过在模拟数据集和真实数据集上的广泛测试，SpaMV在空间域聚类性能方面表现出色，同时为后续分析提供了更具可解释性的降维后的主题模型。此外，与现有方法相比，我们的方法能更有效地发现具有可解释性的组学特异性生物标志物，凸显了其在区分多组学信号方面的优势。