SpaTRACE:用于从时空转录组数据重建信号传导和调控网络的时空循环自编码器

SpaTRACE: Spatiotemporal recurrent auto-encoder for reconstructing signaling and regulatory networks from spatiotemporal transcriptomics data.

作者信息Hongliang Zhou, Hao Chen, Zoe Rudnick, Sarah I Baalbaki, Yuchen Shao, Young Je Lee, Jose Lugo-Martinez
PMID42039614
期刊bioRxiv
发布时间2026-04-19
DOI10.1101/2025.11.20.689569

实验完整度

中

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。

主要模型

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

重点核对

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

摘要

细胞间通讯和基因调控程序在发育、再生和疾病过程中共同协调细胞行为。空间转录组学的最新进展使得能够在发育轨迹中测量具有空间背景的基因表达,为研究动态信号传导和调控过程提供了新机会。然而,大多数现有方法分别分析配体-受体(LR)信号传导或基因调控网络(GRN),依赖于 curated 相互作用数据库,并且通常假设基因表达处于稳态,限制了它们捕捉时间调控动态和发现新相互作用的能力。我们提出了 SpaTRACE,一种时空循环自编码器框架,用于从空间转录组数据联合推断细胞间信号传导和基因调控网络。SpaTRACE 使用基于注意力的编码器-解码器架构,沿着伪时间采样的细胞轨迹建模时间滞后依赖关系,从上游胞内和胞间信号预测未来靶基因表达。学习到的注意力结构能够同时重建转录因子-靶基因(TF-TG)调控相互作用、配体-受体-靶基因(LR-TG)信号通路以及配体-受体结合关系,而无需预定义的 LR 数据库。在合成基准测试中,SpaTRACE 准确恢复了 GRN 和信号传导相互作用,并优于现有的 GRN 和细胞间通讯推断方法。应用于小鼠中脑发育揭示了与神经元分化相关的转录调控因子和信号传导程序,而对蝾螈脑再生的分析识别了参与组织修复的阶段特异性信号动态和候选相互作用。可用性:源代码和文档可在 https://github.com/VariaanZhou/SpaTRACE 获取。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
如何从时空转录组数据中联合推断细胞间信号传导和基因调控网络,并捕捉其时间动态?
核心机制
SpaTRACE通过基于注意力的循环自编码器建模伪时间轨迹上的时间滞后依赖,从胞内和胞间信号预测未来靶基因表达,从而推断LR-TG、TF-TG和LR结合关系。
主要证据
在合成数据集上,SpaTRACE在CCC推断(AUPRC 0.831和0.614)和GRN推断(AUPRC 0.967和0.903)上优于现有方法;在MOSTA数据上,LR结合和GRN推断的EPR@100分别为9.87和50;在蝾螈脑再生数据中识别出阶段特异性信号动态。
研究意义
SpaTRACE提供了一种无需预定义配体-受体数据库的路径无关方法,能够从时空转录组数据重建多层调控网络,适用于研究发育和再生中的动态信号传导。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

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

2

MOSTA数据验证

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

3

蝾螈脑再生数据应用

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

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

关键环节

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