識(shí)別空間域（即在基因表達(dá)和組織學(xué)上具有空間相關(guān)性的區(qū)域）是空間轉(zhuǎn)錄組學(xué)中最重要的課題之一。近日驼侠，《Nucleic Acids Research》發(fā)表了一個(gè)準(zhǔn)確且通用的深度學(xué)習(xí)框架：DeepST，用于識(shí)別空間域履腋。
DeepST是什么帖蔓？
DeepST是一個(gè)可定制的ST深度學(xué)習(xí)框架，可以準(zhǔn)確識(shí)別空間域庐扫。DeepST使用預(yù)先訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型從形態(tài)學(xué)圖像塊中提取特征向量饭望，然后將提取的特征與基因表達(dá)和空間位置數(shù)據(jù)整合，以表征空間相鄰點(diǎn)的相關(guān)性形庭，并創(chuàng)建空間增強(qiáng)的基因表達(dá)矩陣铅辞。DeepST使用圖神經(jīng)網(wǎng)絡(luò)（GNN）自動(dòng)編碼器和去噪自動(dòng)編碼器聯(lián)合生成增強(qiáng)ST數(shù)據(jù)的潛在表示，而域?qū)股窠?jīng)網(wǎng)絡(luò)（DAN）用于整合來自多個(gè)批次或不同技術(shù)的ST數(shù)據(jù)萨醒。
（A） DeepST工作流程從ST數(shù)據(jù)開始斟珊，以蘇木精和伊紅（H&E）染色（可選）、空間坐標(biāo)和空間基因表達(dá)作為輸入富纸。（B） DeepST最初使用H&E染色來收集組織形態(tài)學(xué)信息囤踩，然后使用預(yù)先訓(xùn)練的深度學(xué)習(xí)模型旨椒，根據(jù)與相鄰斑點(diǎn)的相似性，對(duì)每個(gè)斑點(diǎn)的基因表達(dá)進(jìn)行標(biāo)準(zhǔn)化堵漱。通過該矩陣計(jì)算相鄰點(diǎn)之間的形態(tài)相似性综慎，并將基因表達(dá)權(quán)重和空間位置權(quán)重合并，為點(diǎn)內(nèi)的每個(gè)基因重新分配一個(gè)增強(qiáng)的表達(dá)值勤庐。（C） DeepST生成三個(gè)網(wǎng)絡(luò)框架哲身，其中一個(gè)去噪自動(dòng)編碼器網(wǎng)絡(luò)和一個(gè)變分圖自動(dòng)編碼器用于提取最終的潛在嵌入，一個(gè)域鑒別器用于融合來自不同分布的空間數(shù)據(jù)（紅色虛線框鸽嫂，該部分僅用于整合任務(wù)）谚赎。
DeepST的性能測(cè)試
開發(fā)團(tuán)隊(duì)對(duì)不同平臺(tái)（如10×Visium、Slide-seqV2和Stereo-seq）生成的ST數(shù)據(jù)作為基準(zhǔn)岛杀，將DeepST與現(xiàn)有算法進(jìn)行了廣泛的測(cè)試和比較阔拳。DeepST還可以處理基于成像的分子數(shù)據(jù)（例如MERFISH、4i和MIBI-TOF）类嗤，特別是在MERFISH數(shù)據(jù)上提取三維（3D）表達(dá)域糊肠。通過對(duì)乳腺癌ST數(shù)據(jù)集的進(jìn)一步測(cè)試，DeepST識(shí)別了視覺上同質(zhì)腫瘤區(qū)域內(nèi)的異質(zhì)子區(qū)域遗锣，這些子區(qū)域在傳統(tǒng)的腫瘤內(nèi)結(jié)果中未檢測(cè)到货裹。綜上所述，DeepST在準(zhǔn)確識(shí)別空間域方面具有強(qiáng)大的能力精偿，在處理其他空間組學(xué)數(shù)據(jù)方面也具有可擴(kuò)展性弧圆。
為了評(píng)估DeepST識(shí)別空間域的性能，開發(fā)團(tuán)隊(duì)使用10×Visium ST基準(zhǔn)數(shù)據(jù)集（背外側(cè)前額葉皮質(zhì)（DLPFC））笔咽，將DeepST與兩種非空間算法（K-means和Seurat）和四種最近發(fā)布的空間聚類算法（stLearn搔预、SpaGCN、SEDR和BayesSpace）進(jìn)行了比較叶组，結(jié)果表明DeepST識(shí)別的空間域與DLPFC的手動(dòng)注釋和神經(jīng)科學(xué)中皮質(zhì)分層的定義相一致拯田，其性能優(yōu)于現(xiàn)有方法。
同時(shí)甩十，開發(fā)團(tuán)隊(duì)還進(jìn)一步評(píng)估了DeepST在10×Visium小鼠腦組織數(shù)據(jù)集中識(shí)別空間域的有效性船庇，并將DeepST識(shí)別的空間域與Allen mouse brain Atlas腦解剖參考注釋進(jìn)行了比較。DeepST可清楚地檢驗(yàn)與參考注釋一致的腦結(jié)構(gòu)侣监；當(dāng)空間域的數(shù)量不是先驗(yàn)時(shí)鸭轮，DeepST 自適應(yīng)計(jì)算最佳聚類分辨率；確定相同數(shù)量的空間域時(shí)橄霉，DeepST 還展示了其識(shí)別空間域的卓越能力和高效性能窃爷。
DeepST可以在更精細(xì)的水平上剖析癌癥組織的空間結(jié)構(gòu)域：在乳腺癌（浸潤(rùn)性導(dǎo)管癌）的公共ST數(shù)據(jù)上，DeepST獲得的域與手動(dòng)注釋高度一致。與其他空間算法識(shí)別的域相比吞鸭，DeepST發(fā)現(xiàn)的區(qū)域具有更多的區(qū)域連續(xù)性和更少的噪聲寺董。在另一個(gè)人類乳腺癌（原位導(dǎo)管癌）的ST數(shù)據(jù)上，DeepST域比其他空間算法更流暢刻剥、更連續(xù)遮咖，這反映了DeepST處理對(duì)復(fù)雜組織進(jìn)行精細(xì)分割的能力。此外造虏，DeepST還能夠識(shí)別具有不同生物功能的精細(xì)區(qū)域御吞。
除了10×Genomics Visium平臺(tái)之外，開發(fā)團(tuán)隊(duì)還研究了DeepST對(duì)基于成像的分子數(shù)據(jù)（MERFISH漓藕、4i和MIBI-TOF）和高分辨率ST數(shù)據(jù)（Stereo-seq和Slide-seqV2）的適配能力陶珠，結(jié)果表明DeepST適用于不同平臺(tái)的各種空間組學(xué)數(shù)據(jù)。
DeepST的模型構(gòu)造非常靈活享钞。首先揍诽，它提供了多種圖形神經(jīng)網(wǎng)絡(luò)類型供用戶選擇。其次栗竖，DeepST在參數(shù)選項(xiàng)中為用戶提供不同ST平臺(tái)的多種預(yù)設(shè)選擇暑脆。最后，DeepST相鄰圖的參數(shù)調(diào)整允許用戶對(duì)空間信息確定不同的權(quán)重狐肢，以便準(zhǔn)確識(shí)別空間域添吗。此外，DeepST計(jì)算速度快份名，內(nèi)存利用率高碟联。在后續(xù)的工作中，開發(fā)團(tuán)隊(duì)將進(jìn)一步考慮模型的適用性和收斂穩(wěn)定性的必要性僵腺。
DeepST算法的代碼和詳細(xì)教程可在如下鏈接獲壤鸱酢：https://github.com/JiangBioLab/DeepST
首發(fā)公號(hào)國(guó)家基因庫大數(shù)據(jù)平臺(tái)
參考文獻(xiàn)
Xu C, Jin X, Wei S, et al. DeepST: identifying spatial domains in spatial transcriptomics by deep learning. Nucleic Acids Res. 2022 Oct 17:gkac901.
圖片來源于Nucleic Acids Res官網(wǎng)和參考文獻(xiàn)，如有侵權(quán)請(qǐng)聯(lián)系刪除想邦。
