ICMLMay, 2019

基于 scRNA-seq 和空间转录组学的非配对数据联合模型，用于填充丢失的基因表达测量值

PDF
TL;DR本文提出了一种基于深度生成模型 gimVI 的方法，用于整合空间转录组学和单细胞 RNA 测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。
spatial transcriptomicsscrna-seqgene expressionimputationgenerative model
发现论文，激发创造
  • 空间转录组学的潜在空间推理

    通过使用概率机器学习方法，将细胞的遗传表达信息和细胞在组织样本中的空间坐标映射到一个联合潜变量空间中，可以获得完整的遗传表达和空间信息，从而更好地理解细胞过程和通路。

    Nov, 2023

  • 单个细胞是空间标记：用 Transformer 填补空间转录组数据

    本文介绍一种名为 “SpaFormer” 的基于 transformer 模型的细胞水平空间转录组学数据插补方法，通过对细胞进行位置编码和多头自注意机制，利用 transformer 模型来解决细胞位置信息与长距离空间信息的编码问题，实现了对空间转录组学数据的缺失值插补，且在三个大型数据集上均表现出优于现有算法的效果。

    Feb, 2023

  • stMCDI：基于图神经网络的带掩码条件扩散模型用于空间转录组学数据插补

    以空间转录组学数据为基础，提出了一种含有条件扩散模型的空间转录组学数据插补方法，结合空间位置信息和模型训练，用于处理单细胞数据中的缺失值问题，并证明其相对于现有方法具有更好的性能。

    Mar, 2024

  • 通过多视图图形对比学习与 HSIC 瓶颈正则化从组织学中预测空间分辨率基因表达

    通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

    Jun, 2024

  • 零样本基因表达预测的空间转录组学分析

    本研究提出了一种语义引导的网络，用于从滑动窗口的图像预测基因表达，解决了传统监督学习模型的局限性，并在标准基准数据集上展示了与过去最先进的监督学习方法相媲美的零样本表现。

    Jan, 2024

  • 在单分子分辨率的空间转录组学中使用空间点过程预测未来状态

    利用基于随机森林回归的流程，本研究预测果蝇胚胎发育过程中 Sog-D 基因表达的细胞未来分布，以揭示细胞和有机体在超分辨全胚空间转录组成像中如何控制基因表达；通过结合细胞在胚胎发育的每个阶段的状态和 Ripley's K-function，我们得到了平均活跃细胞分布的预测准确性，该工具类似于空间分辨的发育生物学 RNA 速度，通过一个数据点可以利用空间点过程的特征预测未来的空间基因表达。

    Jan, 2024

  • 单细胞 RNA 测序的基因表达剖面深度生成模型

    提出了一种针对单细胞 RNA 测序随机解释基因表达水平的概率模型，其利用低维潜在表示、额外潜在变量和神经网络进行条件分布的建模，并利用方差推断和随机优化来拟合数据。此推断过程适用于 100 万个细胞以上的数据，且优于 ZIFA 和 ZINB-WaVE 方法。作者还将该框架扩展到批次效应和其他混淆因素，并提出了一种超越 DESeq2 方法的 Bayesian 假设检验，以分析基因差异表达。

    Sep, 2017

  • 跨模型扩散建模用于高分辨率空间转录组学

    使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。

    Apr, 2024

  • scDiffusion: 使用扩散模型进行高质量单细胞数据的条件生成

    本研究使用 scDiffusion 模型基于扩散过程生成具有可控条件的高质量单细胞 RNA 测序数据，并展示其能够产生接近真实数据的单细胞基因表达数据，超过现有模型在多个度量指标上的性能，对罕见细胞类型等特定细胞类型进行条件生成，并通过梯度插值生成小鼠胚胎细胞的连续发育轨迹，以此证明 scDiffusion 是增强真实 scRNA-seq 数据和深入研究细胞命运的强大工具。

    Jan, 2024

  • SEPAL：基于局部图的空间基因表达预测

    SEPAL 是一种新的模型，可以从组织外观直接预测基因组，通过利用生物学偏差来直接监督相对差异并通过图神经网络利用每个坐标的局部视觉上下文进行预测，该方法将当前方法中的完全局部性和完全全局性之间的差距缩小，并通过在转录组学中遵循当前最佳实践并限制预测变量仅为具有明确空间模式的变量来提出了一种旨在更好地定义该任务的新的基准，通过在两个不同的人类乳腺癌数据集中进行了广泛评估表明，SEPAL 优于之前的最先进方法和包括空间上下文的其他机制。

    Sep, 2023