合成数据基准测试
评估SpaTRACE在已知真实网络下的CCC和GRN推断准确性
在两个合成数据集上运行SpaTRACE和基准方法,计算AUPRC
SpaTRACE: Spatiotemporal recurrent auto-encoder for reconstructing signaling and regulatory networks from spatiotemporal transcriptomics data.
包含合成数据基准测试和真实空间转录组数据(MOSTA、蝾螈脑再生)分析,但缺乏湿实验功能验证。
合成模拟数据集(Dataset 1和Dataset 2) 小鼠胚胎中脑发育空间转录组数据(MOSTA) 蝾螈脑再生空间转录组数据
模拟数据集通过AUPRC评估CCC和GRN推断性能 MOSTA数据集使用EPR和Spearman相关性评估LR结合和GRN推断 蝾螈脑再生数据通过已知相互作用数据库(如STRING)验证部分推断结果 使用不同轨迹推断工具(DPT、Slingshot、Monocle3、Palantir)评估稳健性
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。
评估SpaTRACE在已知真实网络下的CCC和GRN推断准确性
在两个合成数据集上运行SpaTRACE和基准方法,计算AUPRC
在真实空间转录组数据上评估SpaTRACE的LR结合和GRN推断性能及生物学一致性
使用MOSTA数据集训练SpaTRACE,计算EPR并与 curated 数据库比较,进行GO富集分析和跨方法一致性评估
在再生生物学背景下展示SpaTRACE发现阶段特异性信号动态的能力
应用相同流程分析蝾螈脑再生数据,识别配体-受体相互作用和信号动态
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 |
|---|---|
| 合成数据生成 | 数据集1和2的噪声水平、空间自相关强度、伪时间扰动程度:文中未明确说明具体参数 阅读提示:Appendix C.1 模拟过程和真实定义 |
| MOSTA数据预处理 | 细胞过滤标准、基因选择、批次校正方法:文中未明确说明 阅读提示:Appendix D 详细描述和处理 |
| 模型训练 | 学习率、批次大小、训练轮数、损失函数权重:文中未明确说明 阅读提示:Appendix A.5 优化细节和损失函数形式定义 |
| 蝾螈脑再生数据分析 | 时间点样本量、injured与uninjured对照设置:文中未明确说明 阅读提示:Appendix E 实验细节 |