基于几何信息的深度学习技术，用于从高空间分辨率转录组数据中解析组织结构

《Communications Biology》：Geometric-aware deep learning for deciphering tissue structure from spatially resolved transcriptomics

　　

摘要

近年来，空间分辨率转录组学技术的进步使得能够在保留空间信息的同时大规模检测基因表达，从而有助于研究组织内的空间异质性。在本研究中，我们提出了SpatialGEO这一基于几何信息的深度学习框架，它将基因表达谱与空间坐标相结合，生成具有生物学意义的低维特征向量，进而帮助解析复杂的组织结构。我们在多种组织类型以及不同的单细胞测序平台上对SpatialGEO进行了系统评估。结果表明，与现有最先进的方法相比，SpatialGEO在组织结构解析和数据去噪方面表现更为优异。此外，当应用于人类乳腺癌样本时，SpatialGEO能够精确描绘肿瘤微环境，并揭示肿瘤内部的分子异质性以及浸润性导管癌与肿瘤边缘之间的细胞间通讯机制。在小鼠胚胎发育研究中，SpatialGEO可准确重建时空上的组织结构，展现器官特异的发育过程，并阐明早期神经发育的分子机制。