用于从空间多组学数据中学习表示的空间多模态和多尺度网络

《BMC Genomics》：Spatially multimodal and multiscale network for representation learning from spatial multi-omics

　　

摘要

背景

空间多组学技术为从多层次角度解析组织结构提供了强大的工具，包括基因表达、基因调控和微环境等方面。多模态数据整合是空间多组学数据处理中的关键步骤，涉及许多下游分析，例如空间域聚类。因此，通过高效整合空间多组学数据以获得可靠的潜在表示对于下游分析非常重要。

结果

在这项工作中，我们开发了一个空间多模态多尺度网络（SpaMM-Net），用于从空间多组学数据中学习潜在表示。由于内在噪声以及多种组学数据之间的复杂关系，SpaMM-Net利用了空间引导的多尺度图注意力网络，在不同的空间尺度层次上整合多模态组学特征以进行表示学习。我们在多个空间多组学数据集上评估了该方法在下游空间聚类任务中的表现。结果表明，SpaMM-Net在解析详细区域和组织结构方面都取得了良好的性能。我们的逐尺度权重分析进一步表明，SpaMM-Net有效地利用了多尺度空间信息来增强学习到的表示的鲁棒性。

结论

SpaMM-Net是一种高效的工具，能够捕获并整合来自空间多组学的潜在表示，用于空间域的识别。随着空间多组学技术的快速发展，这种策略可以扩展到其他多组学模式中。