数据预处理与图构建
为模型提供高质量输入并捕捉空间邻接关系。
使用Scanpy的seurat_v3方法选择高变基因,对表达矩阵进行归一化、log转换和缩放;基于空间坐标计算欧氏距离,选取K近邻构建空间邻接图。
stGRL: spatial domain identification, denoising, and imputation algorithm for spatial transcriptome data based on multi-task graph contrastive representation learning.
在7个空间转录组数据集(含人DLPFC、BRCA、卵巢癌等)上与9种主流方法进行基准比较,包含消融实验和参数分析,但未涉及独立生物学验证实验。
人DLPFC数据集(10X Visium) 人乳腺癌(BRCA)数据集(10X Visium) 小鼠嗅球数据集(Stereo-seq) 卵巢癌数据集(10X Genomics)
DLPFC数据集12个切片,8个切片分7个区域、4个切片分5个区域,以NMI、ARI、AMI为指标与9种方法比较 消融实验:分别移除ZINB重建模块、图对比表示学习模块及两者,评估对聚类指标的贡献 超参数搜索:高变基因数[2000-6000]、邻居数[3-7]、GCN节点数[32-512],共125种配置 去噪任务:对DLPFC数据施加0.1-0.9丢失率掩码,重复10次,以MSE评价插补能力 损失函数权重:α固定为10,β和γ在[0.1-1.0]范围搜索,最优为0.5和0.5
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
为模型提供高质量输入并捕捉空间邻接关系。
使用Scanpy的seurat_v3方法选择高变基因,对表达矩阵进行归一化、log转换和缩放;基于空间坐标计算欧氏距离,选取K近邻构建空间邻接图。
提高模型对特征分布变化的鲁棒性,防止过拟合。
通过随机打乱原始特征矩阵的行生成增强视图,保留图拓扑结构。
整合基因表达与空间信息,生成低维嵌入表示。
使用单层GCN编码器,输入空间邻接矩阵和基因表达矩阵,输出低维嵌入。
增强节点嵌入在上下文中的一致性,提升区分能力。
将原始图和增强图输入共享参数的GCN编码器,通过投影MLP生成两个视图,采用对比损失拉近正样本对、推远负样本对。
重建去噪和插补后的基因表达矩阵,处理数据稀疏性和过离散。
使用对称GCN解码器重建表达矩阵,并通过三个独立MLP计算ZINB分布的均值、离散度和丢失率参数。
平衡重建、分布适配和对比学习目标,实现空间域识别。
联合优化重建损失、ZINB损失和对比损失,训练后对重建矩阵进行PCA降维,使用Mclust算法聚类。
评估模型在空间域识别、去噪、插补及生物学发现中的性能。
在多个数据集上比较聚类指标,模拟丢失率评估去噪和插补,进行差异表达分析、功能富集、基因集评分和生存分析。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据预处理 | 高变基因选择方法:seurat_v3;高变基因数量:10X Visium数据4000,Stereo-seq数据3000;归一化、log转换和缩放步骤 阅读提示:Methods-Data preprocessing |
| 空间邻接图构建 | 邻居数K=3;基于空间坐标的欧氏距离;KNN选择 阅读提示:Methods-Construction of the spatial adjacency matrix |
| 模型架构与训练 | 编码器为单层GCN,嵌入维度256或64;解码器对称;投影头为两层MLP;损失权重α=10、β=0.5、γ=0.5;Adam优化器,学习率0.001,权重衰减0,迭代500次 阅读提示:Methods-Implementation details |
| 聚类与下游分析 | 对重建矩阵进行PCA降维后使用Mclust聚类;差异表达分析使用t检验,阈值p<0.05且|log2FC|>2;生存分析使用GEPIA2和中位数分组 阅读提示:Methods-Clustering via joint embedding optimization、Differential gene expression analysis、Survival analysis |
| 去噪与插补评估 | 使用Bernoulli分布掩码模拟丢失,丢失率0.1-0.9,重复10次;以MSE评价插补能力 阅读提示:Results-stGRL identifies spatial domains on lower-quality datasets with higher noise levels、stGRL enhances spatial transcriptomics by reducing noise and preserving fine gene expression patterns |