
-
生物通官微
陪你抓住生命科技
跳动的脉搏
SpaHNR:一种基于稀疏注意力分层节点表示与多视图对比学习的空间域识别方法
《BMC Bioinformatics》:SpaHNR: a spatial domain identification method via sparse attention-based hierarchical node representation and multi-view contrastive learning
【字体: 大 中 小 】 时间:2026年07月05日 来源:BMC Bioinformatics 4.4
编辑推荐:
摘要背景利用深度学习处理空间转录组数据,可以识别组织内的不同空间区域,从而明确细胞及其基因表达的空间分布。这种详细的空间结构认知对于解析复杂的生物过程和疾病机制至关重要。然而,现有的计算方法往往只在单一细节层次上分析细胞或微区(代表少量细胞)之间的邻接关系,忽略了生物组织中固有的
利用深度学习处理空间转录组数据,可以识别组织内的不同空间区域,从而明确细胞及其基因表达的空间分布。这种详细的空间结构认知对于解析复杂的生物过程和疾病机制至关重要。然而,现有的计算方法往往只在单一细节层次上分析细胞或微区(代表少量细胞)之间的邻接关系,忽略了生物组织中固有的层次结构。
在本研究中,我们提出了一种名为SpaHNR的新方法用于空间区域识别,该方法通过基于稀疏注意力机制的层次化节点表示以及多视图对比学习,充分利用了组织的多层结构。SpaHNR将每个微区视为一个节点,并通过整合组织图像、基因表达谱、空间坐标以及推断出的细胞通讯信息,构建两种不同的微区视图。在每种视图中,都会应用单层图卷积网络来聚合邻居信息,进一步强化微区特征。随后,这些网络的输出会被送入基于稀疏注意力的层次化节点融合模块,生成粗粒度的节点表示,以捕捉微区的多尺度特征信息。最后,通过解码细到粗的节点分配矩阵,可重构出增强后的基因表达矩阵。在模型训练过程中,结合使用基因表达重构损失和跨视图对比损失来优化模型参数。最终,根据细到粗的节点分配矩阵特征,运用Leiden聚类算法划分出空间区域。在人类背外侧前额叶皮层数据集、人类乳腺癌数据集和小鼠胚胎数据集上的测试表明,SpaHNR在大多数情况下都优于现有的最先进方法。
SpaHNR通过将空间位置、基因表达谱、组织图像信息以及推断出的细胞通讯有效整合起来,运用层次化表示学习和对比学习策略处理空间转录组数据,从而提升了空间区域识别的性能。这体现了其在分析复杂组织结构方面的巨大应用潜力。
利用深度学习处理空间转录组数据,可以识别组织内的不同空间区域,从而明确细胞及其基因表达的空间分布。这种详细的空间结构认知对于解析复杂的生物过程和疾病机制至关重要。然而,现有的计算方法往往只在单一细节层次上分析细胞或微区(代表少量细胞)之间的邻接关系,忽略了生物组织中固有的层次结构。
在本研究中,我们提出了一种名为SpaHNR的新方法用于空间区域识别,该方法通过基于稀疏注意力机制的层次化节点表示以及多视图对比学习,充分利用了组织的多层结构。SpaHNR将每个微区视为一个节点,并通过整合组织图像、基因表达谱、空间坐标以及推断出的细胞通讯信息,构建两种不同的微区视图。在每种视图中,都会应用单层图卷积网络来聚合邻居信息,进一步强化微区特征。随后,这些网络的输出会被送入基于稀疏注意力的层次化节点融合模块,生成粗粒度的节点表示,以捕捉微区的多尺度特征信息。最后,通过解码细到粗的节点分配矩阵,可重构出增强后的基因表达矩阵。在模型训练过程中,结合使用基因表达重构损失和跨视图对比损失来优化模型参数。最终,根据细到粗的节点分配矩阵特征,运用Leiden聚类算法划分出空间区域。在人类背外侧前额叶皮层数据集、人类乳腺癌数据集和小鼠胚胎数据集上的测试表明,SpaHNR在大多数情况下都优于现有的最先进方法。
SpaHNR通过将空间位置、基因表达谱、组织图像信息以及推断出的细胞通讯有效整合起来,运用层次化表示学习和对比学习策略处理空间转录组数据,从而提升了空间区域识别的性能。这体现了其在分析复杂组织结构方面的巨大应用潜力。
生物通微信公众号