STIFT:基于空间信息多时间点桥接的时空转录组学整合新方法
《Briefings in Bioinformatics》:STIFT: spatiotemporal transcriptomics integration through spatially informed multi-timepoint bridging
【字体:
大
中
小
】
时间:2025年12月12日
来源:Briefings in Bioinformatics 7.7
编辑推荐:
本研究针对发育与再生过程中时空转录组数据整合的难题,提出了STIFT框架。该框架通过发育时空最优传输、时空图构建与时间三重学习引导的图注意力自编码器,实现了多时间点数据的有效整合。在蝾螈脑再生、小鼠胚胎发育和涡虫再生等数据集上验证表明,STIFT在去除批次效应的同时能更好保留生物变异,支持空间域识别和发育轨迹推断,为发育生物学研究提供了强大工具。
在生命科学领域,理解基因表达如何在时间和空间维度协同调控发育与再生过程一直是重大挑战。近年来,空间转录组学技术的突破使得研究人员能够同时获取基因表达的空间位置信息,然而当研究涉及多个连续时间点时,如何整合这些时空转录组数据成为了新的瓶颈。传统的数据整合方法往往将不同时间点简单视为独立的批次进行处理,忽略了发育过程的连续性,导致细胞分化轨迹和组织形态发生等关键信息丢失。这一局限在三维时空转录组数据整合中尤为突出,因为发育过程的连续特性需要更加精细的建模方式。
针对这一挑战,香港中文大学统计与数据科学系的研究团队在《Briefings in Bioinformatics》上发表了题为"STIFT: spatiotemporal transcriptomics integration through spatially informed multi-timepoint bridging"的研究论文,提出了一个专门用于整合时空转录组数据的计算框架STIFT。
STIFT框架包含三个核心组件:发育时空最优传输、时空图构建以及时间三重学习引导的图注意力自编码器。首先,通过可微分熵正则化空间最优传输算法建立相邻时间点间spots的概率映射关系,识别潜在的祖细胞-后代细胞关系。其次,整合切片内的空间邻域关系和切片间的时间连接关系,构建统一的时空图。最后,利用图注意力自编码器结合时间三重学习,生成既能保持空间组织又能反映发育轨迹的低维嵌入。
研究方法上,STIFT首先对每个切片的基因表达数据进行标准化和log转换,筛选高变基因。随后利用DEST-OT算法建立相邻时间点spots间的对齐关系,构建包含空间邻接矩阵和时间关系矩阵的集成时空邻接矩阵。图注意力自编码器采用编码器-解码器结构,通过注意力机制学习spots表征,同时结合基于时间映射的三重学习来增强批次效应校正。研究使用了来自蝾螈脑再生、小鼠胚胎发育和涡虫再生过程的多个公开数据集进行验证,这些数据集分别通过Stereo-seq和10x Visium等技术获取。
Brain regeneration in axolotls: STIFT demonstrates improved batch effect removal while preserving biological variation
在蝾螈脑再生数据集上的应用表明,STIFT能够有效整合七个时间点的数据,在去除批次效应的同时保持了生物变异模式。与STAligner、STAGATE、Graspot和SPIRAL等方法相比,STIFT在批次整合指标和生物结构保存指标上均表现优异。特别值得注意的是,STIFT成功区分了四种室管膜胶质细胞亚型,这些细胞在脑再生过程中表现出不同的动态变化模式,为理解蝾螈脑再生机制提供了重要线索。
Mouse embryonic development: STIFT effectively integrates large-scale datasets
在小鼠胚胎发育数据集上的测试中,STIFT成功处理了包含372,747个spots的大规模数据,而其他方法如SPIRAL和Graspot因内存限制无法完成整合。STIFT不仅有效去除了批次效应,还能清晰区分脑、肝、心、脊髓和肾等主要器官,保留了精细的解剖结构。通过轨迹分析,研究人员揭示了中胚层衍生器官的发育路径,为理解胚胎器官形成过程提供了新的视角。
Planarian regeneration process: STIFT effectively integrates 3D spatiotemporal transcriptomics data
在涡虫再生这一三维时空转录组数据集上的应用进一步证明了STIFT的优越性。与传统基于基因表达的互最近邻匹配方法相比,STIFT通过结合时空关系显著减少了错误配对(如头-尾错误匹配)。STIFT生成的嵌入空间中,不同时间点的spots良好混合,同时空间域保持清晰,能够准确追踪再生过程中细胞的变化动态。
STIFT框架的创新之处在于其首次系统性地将时空信息纳入转录组数据整合过程,通过发育时空最优传输捕获细胞间的谱系关系,利用时空图结构保持空间组织和发育连续性,结合三重学习防止生物变异的过度校正。该方法不仅适用于常规的二维数据,也能有效处理三维时空转录组数据,为研究发育和再生过程中的复杂细胞动态提供了强大工具。
研究的讨论部分指出,STIFT在多个数据集上的一致优异表现证明了其鲁棒性和泛化能力。随着空间多组学数据的不断涌现,STIFT未来可扩展至整合其他模态的时空数据,如空间蛋白质组数据等。结合基因表达数据、空间位置和组织学图像,将进一步提升多样本间形态结构的描绘精度。
总之,STIFT为研究人员探索复杂的发育和再生过程提供了强大的数据整合工具,有望在时空转录组学时代发挥关键作用,推动对发育和再生过程机制的深入理解。该研究的开源代码已在GitHub平台发布,便于领域内研究人员使用和进一步开发。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号