SpaDPG:空间解析转录组学中空间域识别的双路径层次化图注意力学习框架

《Digital Signal Processing》:SpaDPG: A Dual-Path Hierarchical Graph Attention Learning Framework for Spatial Domain Identification in Spatially Resolved Transcriptomics

【字体: 大 中 小 】 时间:2026年09月26日 来源:Digital Signal Processing 3.4

编辑推荐:

   •SpaDPG 整合表达数据和位置数据,用于转录组学区分识别。•层次化 GAT 将局部特征与邻域拓扑及动态语义相结合。•多任务学习优化嵌入表示,提升模型精度与鲁棒性。•在多分辨率平台上的全面评估验证了模型性能。引言在多细胞生物体中,基因表达的空间组织对于维持组织结构和调控细胞

  
  • •
    SpaDPG 整合表达数据和位置数据,用于转录组学区分识别。
  • •
    层次化 GAT 将局部特征与邻域拓扑及动态语义相结合。
  • •
    多任务学习优化嵌入表示,提升模型精度与鲁棒性。
  • •
    在多分辨率平台上的全面评估验证了模型性能。

引言

在多细胞生物体中,基因表达的空间组织对于维持组织结构和调控细胞功能至关重要[1]。空间上下文不仅支配细胞状态的转换,还影响细胞间通讯及局部微环境的功能特性。空间分辨转录组学技术能够在保留组织原生空间上下文的同时实现大规模基因表达谱分析,从而为研究组织结构和功能异质性提供了强有力的工具。当前的空间分辨转录组学技术大致可分为成像法方法和测序法方法[2]。成像法方法,如 MERFISH[3]、STARmap[4] 和 seqFISH[5]、[6],利用迭代成像和条形码策略以单分子或亚细胞分辨率检测转录本,非常适合解析精细的组织结构。相比之下,测序法方法,包括 10X Visium[7] 和 BaristaSeq[8],依赖空间条形码阵列或原位测序技术,在保留空间位置信息的同时实现高通量转录组谱分析。这些技术的快速发展已使空间分辨转录组学成为研究组织结构和细胞功能区室化的重要资源。
空间域通常对应组织内功能不同的区域、结构层次或发育定义的特定状态。准确识别这些空间域对于解读组织功能、界定病理区域以及阐明空间调控机制至关重要[9]、[10]。然而,空间转录组数据具有高维度、稀疏性和显著空间噪声的特点[11],这使得空间域识别面临挑战。现有的空间域识别方法大致可分为三类。传统聚类算法,如 K-means 和 Louvain,通常忽略空间信息。概率模型,如 BayesSpace[12],在贝叶斯框架中引入空间平滑先验以增强空间一致性,但往往难以充分捕捉空间转录组数据的复杂结构。近年来,深度学习技术在空间域检测领域获得了越来越多的关注。例如,stLearn[13] 利用斑点之间的组织学图像相似性来优化嵌入表示,而 SpaGCN[14] 则采用图卷积网络整合基因表达、空间位置和组织学信息,通过迭代聚类识别一致的空间域。尽管这些基于图像辅助的方法通过图神经网络(GNN)融合组织学和空间信息,但其性能严重依赖于图像质量[15]。相比之下,仅基于空间转录组数据的方法避免了依赖组织学图像。STAGATE[16] 采用图注意力自编码器联合建模空间信息和转录组信息,学习判别性嵌入。GraphST[17] 将图卷积网络与自监督对比学习相结合,通过减小空间相邻斑点之间的嵌入距离来增强判别性。SEDR[18] 使用掩码自编码器进行基因表达特征提取,并使用变分图自编码器建模空间关系。SpaGRA[19] 将空间距离作为先验信息引入,并通过多头图注意力网络进行对比学习来动态优化边权重。虽然这些方法改善了空间域识别,但其邻域图构建仍然主要局限于直接的局部邻接关系,不足以建模复杂的拓扑关系。
目前,一些研究探索了直接空间邻近关系之外的上下文信息。stHGC[20] 方法通过整合多种节点相似度度量构建混合图,以丰富局部表示学习,但其本质上仍受限于一阶邻接关系。同时,ConSpaS[21] 使用对比学习将全局组织模式与局部上下文对齐,而 ConST[22] 通过属性掩码策略扩展特征感知能力。尽管这些方法在特征层面改进了上下文集成,但它们仍然缺乏在统一图框架内自适应建模局部空间交互和拓扑增强结构依赖的显式机制。此外,它们在捕捉跨隐层的高阶语义传播方面存在局限,这限制了它们揭示深层转录结构和空间协调表达模式的能力。
为了解决上述局限性,我们提出了 SpaDPG,一个用于空间分辨转录组学的双路径层次化图注意力学习框架。该模型提出了一种自适应双路径注意力机制,联合编码空间邻接交互和拓扑增强的结构依赖关系,从而实现更具表现力的空间表示学习。语义图层增强机制通过跨隐层的迭代传播进一步优化高阶转录结构,捕捉更丰富的层次化语义依赖关系。此外,统一优化方案在多任务学习框架中结合了对比学习、空间结构正则化和零膨胀负二项(ZINB)重构损失,共同提升了表示判别性、空间一致性和基因表达建模能力。在多个空间分辨转录组数据集上的大量实验表明,SpaDPG 在空间域识别方面始终优于现有最先进的方法,实现了更好的结构一致性和更精确的空间域界定。

章节摘要

SpaDPG 概述

SpaDPG 框架架构如图 1 所示。如图 1A 所示,SpaDPG 以基因表达矩阵和空间坐标作为输入,并基于斑点之间的直接邻域关系构建空间局部邻接图。在图 1B 中,双路径层次化图编码器通过两个互补路径以统一方式学习多层次表示。首先通过多头

数据集

为评估所提出方法在不同技术平台、物种、组织背景和空间域复杂度方面的适用性与鲁棒性,选取了来自多种空间转录组技术的代表性 ST 数据集。这些数据包括来自人类乳腺癌和小鼠前脑的 10X Visium 数据、来自小鼠下丘脑的 MERFISH 数据、来自小鼠初级视觉皮层的 BaristaSeq 数据、来自小鼠内侧前额叶皮层和小鼠视觉皮层的 STARmap 数据,以及来自

讨论

准确界定空间域是理解复杂生物系统和疾病机制的关键一步。SpaDPG 框架引入了一种双路径图注意力架构,将局部空间交互和源自拓扑重叠的结构关系整合到统一的嵌入表示中。视图级注意力机制动态融合两条路径的特征,而具有

资助

本工作部分由国家自然科学基金资助(批准号 62472250 和 62473179)。

伦理审查

本研究不涉及人类或动物受试者,并遵循有关纳入脆弱群体的伦理标准,确保尊重文化敏感性。

资助

本工作部分由国家自然科学基金资助(批准号 62472250 和 62473179)。

CRediT 作者贡献声明

苏文静:方法学、可视化、撰写——初稿、撰写——审阅与编辑。尚俊亮:资金获取、监督、撰写——审阅与编辑。孙彦:概念化、调查、软件。张小涵:形式化分析、资源、验证。范艾天:数据管理、调查。郑春厚:监督、撰写——审阅与编辑。刘金兴:资金获取、资源。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:尚俊亮报告获得国家自然科学基金的资助。刘金兴报告获得国家自然科学基金的资助。如有其他作者,他们声明不存在已知的可能影响其工作的竞争性财务利益或个人关系
苏文静|尚俊亮|孙彦|张小涵|范艾天|郑春厚|刘金兴
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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