关系型多尺度图注意力网络RMGAT:空间转录组学结构域识别中图神经网络组件的系统性消融研究
《BMC Bioinformatics》:RMGAT: a Relational Multi-Scale Graph Attention Network for spatial transcriptomics domain identification with systematic component ablation
【字体:
大
中
小
】
时间:2026年09月26日
来源:BMC Bioinformatics 4.4
编辑推荐:
从空间转录组数据中绘制空间上连续的组织结构域,是刻画细胞类型、发育模式以及疾病相关的组织架构破坏的先决条件。尽管图神经网络(GNN)方法相较于仅基于表达量的聚类方法,在结构域识别上已取得显著提升,但边特征设计(即组织点之间的空间连接如何被表示)的影响从未被系统评估过。所有现有
从空间转录组数据中绘制空间上连续的组织结构域,是刻画细胞类型、发育模式以及疾病相关的组织架构破坏的先决条件。尽管图神经网络(GNN)方法相较于仅基于表达量的聚类方法,在结构域识别上已取得显著提升,但边特征设计(即组织点之间的空间连接如何被表示)的影响从未被系统评估过。所有现有方法均采用单一标量边权重,这使一个问题悬而未决:多维边特征是否能够提供任何益处。我们提出 RMGAT——一种关系型多尺度图注意力网络,将多维学习到的边特征应用于空间转录组学,据我们所知这是首次。每条空间边由一个 8 维的学习特征向量描述。我们将此与一个三组件训练目标(图重建、NT-Xent 对比学习以及自表达解码器)以及一个使用共识聚类、匈牙利标签对齐和空间精炼的 V30 后处理流水线相结合。在 12 个切片的人脑背外侧前额叶皮层(DLPFC)基准上进行了评估,共 60 次独立运行(5 个随机种子 × 12 个 DLPFC 切片),RMGAT 的平均调整兰德指数(ARI)达到 0.3422 ± 0.0402(95% 置信区间 [0.332, 0.353]),与 SpaGCN(约 0.36)相当。一项带有形式统计检验的系统性四组件消融研究识别出 GAT 注意力是唯一经统计确认的必要贡献者(当替换为图卷积网络 GCN 时,ΔARI = ?0.028;p < 0.0001)。对比学习显示出方向性收益(ΔARI = ?0.017;p = 0.024,相对于标量权重基线)。8 维 EdgeMLP 和自表达解码器均呈中性(ΔARI ≈ 0.004;两者 p > 0.3),表明在 PCA-50 输入质量下二者均无贡献。本工作的主要贡献是一项系统性消融研究,为空间转录组 GNN 提供了基于证据的设计指导。在 PCA-50 输入质量下,GAT 注意力是经统计确认的关键组件;对比学习有正向收益(p = 0.024);多维边特征和额外的解码器目标在此输入条件下不提升性能。对于实践者而言,这些发现支持使用 GAT 注意力(p < 0.0001)和对比学习(p = 0.024,经 Bonferroni 校正后不显著),并将投入聚焦于节点特征质量而非边特征复杂度。
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