stEnTrans:基于Transformer的深度学习在空间转录组学增强中的应用
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。
May, 2019
本文介绍了一种利用多头自注意力机制的深度学习方法Gene Transformer,用于对基因表达数据进行肺癌亚型分类,效果比传统算法更好,此方法有望在计算生物学中得到更好的应用。
Aug, 2021
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
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
Spatial transcriptomics技术在组织中提供了多模态的转录组、空间和形态学数据,为了解转录组以外的组织生物学提供了机会。然而,我们发现ST数据种类中存在模态偏差现象,即不同模态对标签的贡献不一致导致分析方法倾向于保留主导模态的信息。本文介绍了一种名为MuST的多模态结构转换方法,它有效地将ST数据中包含的多模态信息整合到均匀的潜空间,为所有下游任务提供基础。通过拓扑发现策略和拓扑融合损失函数学习内在的局部结构,解决不同模态之间的不一致性。因此,这些基于拓扑的和深度学习技术为各种分析任务提供了坚实的基础,协调了不同的模态。MuST的有效性通过性能评估和生物学意义进行了评估。结果表明,它在识别和保留组织和生物标志物结构的准确性方面优于现有的最先进方法。MuST为复杂生物系统的精细分析提供了多功能工具包。
Jan, 2024
TRIPLEX是一个深度学习框架,通过整合多分辨率特征来准确预测基因表达,相较于现有的模型,在均方误差、平均绝对误差和皮尔逊相关系数方面表现优秀,并能够与基因表达谱和肿瘤注释密切匹配,强调其在癌症诊断和治疗方面的潜力。
Mar, 2024
该研究利用空间转录组学和人工智能技术,提出一种多模态对比学习方法来预测基因表达水平,通过在乳腺癌数据集和皮肤鳞状细胞癌数据集上的广泛评估,证明了该方法在预测基因表达和解释肿瘤相关基因方面的卓越性能。
Jul, 2024
我们提出了一个系统策划且处理过的数据库,从26个公共资源中收集,相较于以前的作品增加了8.6倍,同时我们还提供了一种最先进的基于转换器的补全技术用于推测缺失的基因表达,这极大地提高了对所有数据集的转录组预测性能。
Jul, 2024
SpaDiT是一种利用扩散生成模型集成scRNA-seq和ST数据以预测未检测到基因的深度学习方法,通过Transformer-based扩散模型准确预测未知基因并有效生成ST基因的空间结构。与八种领先的基准方法相比,SpaDiT在多个指标上实现了最新技术的性能,突出其在生物信息学中的重要贡献。
Jul, 2024
本研究针对空间分辨转录组数据分析中的空间域识别和基因去噪这一关键问题,提出了一种新颖的对比增强掩蔽图形自编码器(STMGAC),能够学习低维潜在表示。通过自蒸馏技术在潜在空间中获得持久信号,并利用三元组学习构建正负锚点对以增强判别能力,STMGAC在五个数据集上的表现超越了现有基线方法。
Aug, 2024