DeepSGE：利用残差网络结合高效通道注意力机制和动态图注意力网络来预测空间基因表达

《BMC Genomics》：DeepSGE: predicting spatial gene expression using residual network with efficient channel attention and dynamic graph attention network

基于ECA-ResNet、Vision Transformer和动态图注意力网络提出的新方法DeepSGE可有效提取病理切片图像的纹理特征并动态建模局部与全局依赖关系，在三个ST数据集上显著优于现有方法，揭示了细胞分子特征与组织结构的内在关联。

　　

摘要

背景

从组织学图像中预测空间分辨的基因表达是分析空间转录组学（ST）数据的关键步骤。近年来，基于深度学习（DL）的方法被提出用于预测空间基因表达，并取得了令人印象深刻的性能。然而，这些方法存在一些局限性。首先，它们无法有效捕捉组织学图像的复杂纹理结构和深层特征。其次，它们为邻居节点分配了固定的权重，使得难以自适应地强调重要节点，从而限制了它们在捕捉复杂图结构和长距离依赖关系方面的性能。最后，传统的静态注意力机制阻碍了模型对训练数据的拟合。

结果

我们提出了一种基于深度学习的新型模型DeepSGE，该模型结合了具有高效通道注意力（ECA-ResNet）的残差网络、视觉变换器（Vision Transformer）和动态图注意力网络（Dynamic-GAT），用于从组织学图像中预测空间分辨的基因表达。DeepSGE通过ECA-ResNet提取斑点图像特征，然后利用视觉变换器和动态图注意力网络（Dynamic-GAT）对斑点之间的全局和局部依赖关系进行建模，以全面探索组织学中的空间依赖性。我们在三个ST数据集（一个来自小鼠，两个来自人类）上将DeepSGE的性能与四种最先进的方法进行了比较。实验结果表明，DeepSGE的性能优于这些竞争方法。

结论

DeepSGE在空间基因表达预测和空间聚类方面优于竞争方法，并能够揭示细胞分子特征与组织结构之间的内在联系。DeepSGE的源代码可在https://github.com/nathanyl/DeepSGE获取。