QueST: Querying Functional and Structural Niches on Spatial Transcriptomics Data via Contrastive Subgraph Embedding

要約

空間ニッチと呼ばれる、組織内の機能的または構造的な空間領域は、多細胞生物の空間的状況を説明するための要素です。
重要な課題は、多様な組織にわたる共有ニッチを調べることであり、これは細胞集団の組織と表現型の包括的な理解を達成するために重要です。
しかし、現在のデータ分析手法は主にセルの空間認識埋め込みの作成に焦点を当てており、効果的なクエリのためのニッチレベルの表現の開発は無視されています。
このギャップに対処するために、複数のサンプルにわたる空間ニッチをクエリするために設計された新しいニッチ表現学習モデルである QueST を紹介します。
QueST は、新しいサブグラフ対比学習アプローチを利用してニッチレベルの特性を明示的に捕捉し、バッチ効果を軽減するために敵対的トレーニングを組み込みます。
私たちは、ヒトとマウスのデータセットを使用した確立されたベンチマークで QueST を評価し、正確なニッチ クエリにおける最先端のグラフ表現学習方法に対する QueST の優位性を実証します。
全体として、QueST は空間ニッチ クエリに特化したモデルを提供し、組織全体にわたる細胞の空間構成のパターンとメカニズムについてのより深い洞察への道を開きます。
ソース コードは https://github.com/cmhimself/QueST にあります。

要約(オリジナル)

The functional or structural spatial regions within tissues, referred to as spatial niches, are elements for illustrating the spatial contexts of multicellular organisms. A key challenge is querying shared niches across diverse tissues, which is crucial for achieving a comprehensive understanding of the organization and phenotypes of cell populations. However, current data analysis methods predominantly focus on creating spatial-aware embeddings for cells, neglecting the development of niche-level representations for effective querying. To address this gap, we introduce QueST, a novel niche representation learning model designed for querying spatial niches across multiple samples. QueST utilizes a novel subgraph contrastive learning approach to explicitly capture niche-level characteristics and incorporates adversarial training to mitigate batch effects. We evaluate QueST on established benchmarks using human and mouse datasets, demonstrating its superiority over state-of-the-art graph representation learning methods in accurate niche queries. Overall, QueST offers a specialized model for spatial niche queries, paving the way for deeper insights into the patterns and mechanisms of cell spatial organization across tissues. Source code can be found at https://github.com/cmhimself/QueST.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google