学术分享丨清华大学博士后李雨哲详解 Cell/Nature 子刊论文，探索基因组学的 AI 应用
内容提要
空间转录组技术是生物信息学领域的重大突破之一，能够获得高分辨率的转录组数据，并确定细胞亚型在空间上的分布。清华大学开发了基于图自编码器深度学习框架的人工智能算法SPACE，可识别空间细胞类型和发现组织模块。该算法将在直播中分享。
延伸解读
SPACE 如何利用空间信息
SPACE 的核心是图自编码器框架，它学习每个细胞的低维嵌入，该嵌入同时编码了细胞自身的基因表达和与空间邻近细胞的相互作用。这种细胞-细胞相互作用感知的嵌入，使得 SPACE 能更准确地识别空间细胞亚型和发现组织模块，尤其适用于复杂组织。
细胞社区：组织模块的新视角
SPACE 定义并发现了细胞社区，即由细胞间相似的相互作用网络所定义、空间分布均质且边界可辨的组织模块。这一概念将细胞通讯推断与空间组织模块发现联系起来，有助于理解空间邻近细胞如何影响组织功能。
SPACE 的性能优势与适用场景
根据文章，SPACE 在细胞类型识别和组织模块发现方面优于其他工具，尤其在包含多种细胞类型的复杂组织中表现突出。它可用于大规模空间转录组研究，但文章未提供具体性能指标或对比数据，读者需关注后续直播或论文以获取细节。
直播内容与参与价值
8月21日的直播将介绍 AI 在基因组学中的应用，包括空间转录组学和单细胞组学，并涉及单细胞数据整合算法 SCALEX 和 SPACE。观众可初步了解 AI 方法的发展与前沿，适合对 AI for Science 交叉研究感兴趣的学者和从业者。
Q&A
空间转录组技术的主要优势是什么？
空间转录组技术能够获得高分辨率的转录组数据，并确定细胞亚型在空间上的分布。
SPACE算法的主要功能是什么？
SPACE算法能够识别空间细胞类型和发现组织模块，尤其在复杂组织中表现突出。
清华大学的直播活动主要讨论什么内容？
直播将讨论AI在基因组学研究中的应用，特别是空间转录组学和单细胞组学。
SPACE算法是基于什么技术开发的？
SPACE算法是基于图自编码器深度学习框架开发的。
细胞社区的定义是什么？
细胞社区是由细胞间相似的相互作用网络定义的，具有均质的空间分布和可辨识的边界。
SPACE算法在细胞类型识别方面的表现如何？
SPACE在细胞类型识别方面明显优于其他工具，能够有效区分空间信息细胞类型。
