登 Cell 子刊！清华大学张强锋课题组开发 SPACE 算法，组织模块发现能力领先同类工具
💡
原文中文，约7500字，阅读约需18分钟。
📝
内容提要
清华大学的研究团队开发了一种名为SPACE的人工智能算法，能够从单细胞分辨率的空间转录组数据中识别细胞类型和发现组织模块。SPACE在细胞类型识别和组织模块发现方面优于其他工具，并可用于大规模的空间转录组研究。该研究为空间转录组数据分析提供了新的解决方案。
🎯
关键要点
- 清华大学研究团队开发了名为SPACE的人工智能算法。
- SPACE能够从单细胞分辨率的空间转录组数据中识别细胞类型和发现组织模块。
- SPACE在细胞类型识别和组织模块发现方面优于其他工具，尤其在复杂组织中表现突出。
- SPACE可用于大规模的空间转录组研究，帮助理解细胞间相互作用对生物学功能的影响。
- 研究论文题为《Tissue module discovery in single-cell resolution spatial transcriptomics data via cell-cell interaction-aware cell embedding》，已在Cell Systems杂志发表。
- SPACE使用图自编码器深度学习框架，结合细胞基因表达信息和空间邻近细胞的相互作用信息。
- SPACE模型由编码器、邻近图解码器和基因表达解码器三部分组成。
- SPACE通过自监督学习最小化基因表达谱和邻接图的重构损失，进行细胞类型识别和组织模块发现。
- SPACE在多个空间转录组数据集的测试中表现优异，能够识别与人工标注的细胞类型相似的细胞群落。
- SPACE在细胞类型识别中优于现有工具BANKSY和FICT，能够识别不同的细胞亚型。
- SPACE在组织模块发现方面也优于其他先进工具，能够有效识别组织中的模块。
- 空间转录组技术是生物信息学领域的重要突破，结合细胞空间定位信息与分子特征谱。
- 未来人工智能技术将进一步推动空间转录组技术的发展，揭示细胞类型的空间分布和相互作用。
➡️
