On the Transcriptomic Signature and General Stress State Associated with Aneuploidy
具有不同核型的非整倍体细胞是否具有任何共同特性一直是人们强烈关注的主题。Terhorst等人最近的一项研究(1)重新研究了常见的非整倍性基因表达(CAGE),对我们最近的工作结论提出了质疑(2)。在这篇短文中,我们解释了我们对Terhorst等人的主要担忧,以及为什么我们认为我们以前的结论是有效的。
2020-07-28 q-bio.GN
Integrating spatially-resolved transcriptomics data across tissues and individuals: challenges and opportunities
本文探讨了跨组织、个体、物种和表型整合空间分辨转录组学数据所面临的挑战,并提出标准化预处理与可扩展计算算法是构建大规模图谱、提升灵敏度和可重复性的关键机遇。
2024-08-01 q-bio.GN
Spatial Transcriptomics Iterative Hierarchical Clustering (stIHC): A Novel Method for Identifying Spatial Gene Co-Expression Modules
针对现有空间可变基因聚类方法难检测稀有空间表达模式的问题,提出空间转录组迭代层次聚类法stIHC,经多模拟和多技术数据集验证性能优于主流方法,且模块基因功能一致,可用于解析基因表达空间组织与复杂组织功能结构。
2025-02-13 q-bio.GN stat.ME
Analysis and visualization of spatial transcriptomic data
人类和动物组织由异质细胞类型组成,以高度结构化的方式组织和相互作用。批量和单细胞测序技术将细胞从其原始微环境中移除,导致空间信息的丢失。空间转录组学是一种在保留空间信息的同时测量转录组信息的新技术。空间转录组学数据可以以几种方式生成。RNA分子通过原位测序、原位杂交或空间条形码来测量以恢复原始空间坐标。空间信息的加入扩大了分析和可视化的可能性范围,并刺激了许多新方法的发展。在这篇综述中,我们总结了空间基因组学技术的核心概念,并提供了一个全面的审查目前的分析和可视化方法的空间转录组学。
2022-02-06 q-bio.GN q-bio.QM
SpaceTx: A Roadmap for Benchmarking Spatial Transcriptomics Exploration of the Brain
绘制转录组细胞类型的空间分布对于了解大脑及其特殊的细胞异质性和空间组织的功能意义至关重要。空间转录组学技术有望完成这些测量,但每种方法使用不同的实验和计算协议,具有不同的权衡和优化。2017年,SpaceTx联盟成立,以比较这些方法并确定它们是否适合大规模空间转录组图谱。SpaceTx的工作包括组织处理、分类学发展、基因选择、图像处理和数据标准化、细胞分割、细胞类型分配和可视化方面的进展。虽然自SpaceTx开始以来,实验方法的前景发生了巨大变化,但对大脑中空间转录组学方法的定量和详细基准测试的需求仍然没有得到满足。在这里,我们总结了SpaceTx的工作,并强调了空间转录组学发展成为一个成熟的领域所面临的突出挑战。我们还讨论了我们的进展如何为将来的空间转录组学方法提供基准路线图。该联盟的数据和分析以及代码和方法可在https://spacetx.github.io/上公开获得。
2023-01-20 q-bio.GN q-bio.NC
Comparative Analysis of Packages and Algorithms for the Analysis of Spatially Resolved Transcriptomics Data
产生空间分辨转录组学(SRT)数据的技术正在迅速改进并应用于研究各种生物组织。询问空间定位的基因表达如何能够为不同的组织发育提供新的见解的能力是至关重要的,但分析这些数据的适当工具仍在出现。本章回顾了用于分析不同SRT数据集的可用软件包和管道,重点是识别空间可变基因(SVG)以及其他目标,同时讨论了在生物学数据中建立标准化“地面实况”以进行基准测试的重要性和挑战。
2021-08-03 q-bio.GN q-bio.QM
TREEOME: A framework for epigenetic and transcriptomic data integration to explore regulatory interactions controlling transcription
动机:基因表达的预测建模是通过整合高通量组学数据进行转录调控相互作用的计算机探索的有力框架。以前的方法的一个主要限制是他们无法处理条件和协同作用时出现的集体分析基因受到不同的监管机制。这种限制降低了整体预测能力,从而降低了下游生物推断的可靠性。结果如下:我们引入了一个分析建模框架(TREEOME:表达模型树),它通过将基因分离成假定的调控类来整合表观遗传和转录组数据。目前的预测建模方法已经发现DNA甲基化和组蛋白修饰表观遗传数据在预测转录本丰度的准确性方面提供很少或没有改善,尽管例如mRNA水平和启动子定位的DNA甲基化之间存在明显的反相关性。为了改善这一点,在TREEOME中,我们评估了四种可能的方法来制定基因水平的DNA甲基化指标,这为识别基因水平的甲基化事件和随后的差异分析提供了基础,而大多数以前的技术都是在单个CpG二核苷酸的水平上操作的。我们通过整合基因水平的DNA甲基化(亚硫酸氢盐-seq)和组蛋白修饰(ChIP-seq)数据来准确预测H1-hESC和GM 12878细胞系的全基因组mRNA转录丰度(RNA-seq),从而证明了TREEOME。可用性:TREEOME使用开源软件实现,并作为预配置的可引导参考环境提供。本研究中提供的所有脚本和数据均可在http://sourceforge.net/projects/budden2015treeome/上获得。
2015-02-05 q-bio.GN
Transcriptomics-based matching of drugs to diseases with deep learning
Healx(Healx公司)
在这项工作中,我们提出了一种深度学习方法来进行无假设的,基于转录组学的疾病药物匹配。我们提出的神经网络架构在批准的药物-疾病适应症上进行训练,将相关疾病和药物差异基因表达谱作为输入,并学习识别新的适应症。我们收集了一个跨越68种疾病的疾病-药物适应症的评估数据集,并对最广泛使用的基于转录组学的匹配基线、CMap和特征方向进行了计算机模拟评估。我们的结果显示,在标准检索指标方面,两个基线的改进超过200%。我们进一步展示了我们的模型的能力,以捕捉不同的基因的表达药物和疾病之间的相互作用。我们在https://github.com/healx/dgem-nn-public上提供我们的训练模型、数据和代码来进行预测。
2023-03-21 cs.LG q-bio.GN
TROM: A Testing-based Method for Finding Transcriptomic Similarity of Biological Samples
由于高通量技术的发展,包括微阵列和下一代RNA测序,产生了大量的转录组数据,比较转录组学在基因组研究中越来越受欢迎。一个重要的问题是了解不同物种生物过程的保守性和差异性。我们提出了一种基于测试的方法TROM(转录组重叠测量)比较不同物种内或之间的转录组,并提供了一个不同的角度来解释转录组相似性,而不是传统的相关性分析。具体地,TROM方法集中于识别捕获生物样品的分子特征的相关基因,并且随后通过测试其相关基因的重叠来比较生物样品。我们使用模拟和真实数据的研究表明,TROM是更强大的识别相似的转录组和更强大的随机基因表达噪声比皮尔逊和斯皮尔曼相关性。我们应用TROM比较了六种果蝇的发育阶段,C。elegans,S. purpuratus、红腹拟步行虫D. rerio和小鼠肝脏,并发现有趣的对应模式,这意味着保守的基因表达程序在这些物种的发展。TROM方法可作为CRAN(http://cran.r-project.org/)上的R包获得,手册和源代码可在http://www.stat.ucla.edu/ jingyi.li/software-and-data/trom.html获得。
2016-08-30 q-bio.GN q-bio.QM
DiSTILL: A Hybrid Cloud-HPC Workflow System for Reproducible Spatial Transcriptomics Analysis
University of Florida(佛罗里达大学)
提出DiSTILL混合云-HPC工作流系统,通过API后端、Web前端和Python管道生成器,实现空间转录组学分析的可重复执行、队列编排和配置管理,并以IBD分析为例验证系统。
2026-07-01 q-bio.GN
SAGE-FM: A lightweight and interpretable spatial transcriptomics foundation model
Stanford University(斯坦福大学);Parker Institute for Cancer Immunotherapy(帕克癌症免疫治疗研究所)
SAGE-FM通过图卷积网络实现轻量级空间转录组学建模,能有效恢复被掩码基因并提升聚类和亚型预测性能。
2026-01-21 cs.LG q-bio.GN q-bio.QM
A joint model of unpaired data from scRNA-seq and spatial transcriptomics for imputing missing gene expression measurements
UC Berkeley(加州大学伯克利分校);École polytechnique(巴黎综合理工学院);École des Mines de Paris(巴黎高等矿业学院)
转录组的空间研究为生物学家提供了异质性和复杂组织的基因表达图谱。然而,空间转录组学的大多数实验方案都需要预先选择一小部分基因在整个转录组中进行定量。标准的单细胞RNA测序(scRNA-seq)更普遍,更容易实施,原则上可以捕获任何基因,但不能恢复细胞的空间位置。在这篇手稿中,我们专注于基于来自相同生物组织的(未配对的)标准scRNA-seq数据的空间转录组数据中缺失基因的填补问题。在领域自适应工作的基础上,我们提出了gimVI,这是一种用于整合空间转录组数据和scRNA-seq数据的深度生成模型,可用于估算缺失基因。在描述了我们的生成模型和推理过程之后,我们将gimVI与计算生物学或真实数据集上的领域自适应的替代方法进行了比较,并优于Seurat Adherors,Liger和CORAL来估算保留的基因。
2019-05-06 cs.LG q-bio.GN stat.ML
Deep Learning in Spatially Resolved Transcriptomics: A Comprehensive Technical View
本文综述了空间分辨转录组学(SRT)分析中的深度学习方法,涵盖其应用场景、优势与局限,指出领域挑战与前沿方向,并提供可用SRT数据库列表作为研究资源。
2023-05-08 q-bio.GN
stMCDI: Masked Conditional Diffusion Model with Graph Neural Network for Spatial Transcriptomics Data Imputation
School of Information Science and Engineering, Yunnan University(云南大学信息科学与工程学院);Shenzhen Research Institute of Big Data(深圳大数据研究院);Hefei Institutes of Physical Science, Chinese Academy of Science(中国科学院合肥物质科学研究院)
stMCDI提出一种结合图神经网络的条件扩散模型,利用空间位置信息对空间转录组数据进行插补,同时保持整体数据分布,并在数据集上验证了其优于现有方法。
2024-03-16 cs.AI cs.LG q-bio.GN
A Bayesian Modified Ising Model for Identifying Spatially Variable Genes from Spatial Transcriptomics Data
最近在空间分子谱方面的技术突破使得能够在保留空间信息的同时对单细胞进行全面的分子表征。它提供了新的机会来描绘来自不同来源的细胞如何形成具有独特结构和功能的组织。空间分子谱数据分析中的一个直接问题是识别其表达表现出空间相关模式的基因,称为空间可变基因。目前大多数识别空间变异基因的方法都是建立在具有高斯过程的地统计模型上来捕获空间模式,其依赖于可能限制模型识别复杂空间模式的能力的特设内核。为了克服这一挑战,捕捉更多类型的空间模式,我们引入贝叶斯方法来识别空间可变基因通过修改的伊辛模型。其核心思想是使用伊辛模型的能量相互作用参数来表征空间表达模式。我们使用辅助变量马尔可夫链蒙特卡罗算法从模型中具有难以处理的归一化常数的后验分布中采样。使用模拟数据和合成数据的模拟研究表明,基于能量的建模方法比基于核的方法在检测空间可变基因方面具有更高的准确性。当应用于两个真实的空间转录组学数据集时,所提出的方法发现了新的空间模式,揭示了生物学机制。总之,所提出的方法为分析空间转录组学数据提供了一个新的视角。
2021-10-06 q-bio.GN stat.AP
Cell Type Identification from Single-Cell Transcriptomic Data via Semi-supervised Learning
Prairie View A&M University(普雷里维尤农工大学);Texas A&M University System(得克萨斯农工大学系统)
从单细胞转录组数据鉴定细胞类型是单细胞RNA测序(scRNAseq)数据分析的共同目标。神经网络已被用于以高性能从scRNAseq数据鉴定细胞类型。然而,它需要大量的个体细胞与准确和公正的注释类型,以建立识别模型。不幸的是,标记scRNAseq数据是繁琐和耗时的,因为它涉及标记基因的手动检查。为了克服这一挑战,我们提出了一种半监督学习模型,使用未标记的scRNAseq细胞和有限数量的标记的scRNAseq细胞来实现细胞识别。首先,我们将scRNAseq细胞转化为“基因句子”,这是受到自然语言系统和基因系统之间相似性的启发。然后,这些句子中的基因表示为基因嵌入,以减少数据稀疏性。通过这些嵌入,我们实现了一个基于递归卷积神经网络(RCNN)的半监督学习模型,它包括一个共享网络,一个监督网络和一个无监督网络。所提出的模型在macosko2015上进行了评估,macosko2015是一个大规模的单细胞转录组数据集,具有单个细胞类型的基础事实。观察到所提出的模型能够通过在非常有限量的标记的scRNAseq细胞以及大量未标记的scRNAseq细胞上学习来实现令人鼓舞的性能。
2020-05-06 cs.LG q-bio.GN
Gene Incremental Learning for Single-Cell Transcriptomics
AAAI 2026
针对标记增量学习研究匮乏的问题,本研究以单细胞转录组学中的基因为研究对象,制定基因增量学习流程并建立评估体系,适配类别增量学习方法减轻基因遗忘,最终提供完整基准。
2025-11-14 cs.AI cs.LG q-bio.GN
Inferring interaction networks from transcriptomic data: methods and applications
本研究系统梳理了从转录组数据推断基因调控网络、蛋白质-蛋白质相互作用网络的三类主流方法,涵盖互作显著性评估、功能模块识别、关键基因优先级排序技术,构建了可适配多生物领域的分子网络分析框架。
2023-12-12 q-bio.BM q-bio.GN q-bio.MN
Spatial Transcriptomics Dimensionality Reduction using Wavelet Bases
University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
空间分辨转录组学(ST)测量基因表达以及测量的空间坐标。ST数据的分析涉及显著的计算复杂性。在这项工作中,我们提出了基因表达降维算法,保留空间结构。我们结合小波变换和矩阵分解来选择空间变异基因。我们提取这些基因的低维表示。我们考虑经验贝叶斯设置,通过因子基因的先验分布进行正则化。此外,我们提供了可视化提取的代表基因捕获的全球空间模式。我们通过空间结构恢复和基因表达重建来说明我们的方法的性能。在实际数据的实验中,我们的方法识别基因因子的空间结构,并优于常规分解的重建误差。我们发现基因模式的波动和小波技术之间的联系,提供更平滑的可视化。我们开发软件包并共享工作流程,生成可重现的定量结果和基因可视化。该软件包可在https://github.com/OliverXUZY/waveST上获得。
2022-05-19 cs.LG q-bio.GN stat.AP
Breast Cancer Histopathology Image based Gene Expression Prediction using Spatial Transcriptomics data and Deep Learning
University of New South Wales(新南威尔士大学);NSW Health Pathology(新南威尔士州卫生病理学研究所);St. George Hospital(圣乔治医院)
本文提出BrST-Net深度学习框架,利用空间转录组学数据从乳腺癌组织病理图像预测基因表达,通过引入辅助网络提升泛化能力,在250个基因中识别出237个正相关基因,显著优于以往方法。
2023-03-17 cs.CV eess.IV q-bio.GN
BMFM-RNA: whole-cell expression decoding improves transcriptomic foundation models
IBM Research(IBM研究院)
通过全细胞表达解码方法,改进转录组基础模型,在下游任务中表现优于掩码语言模型。
2026-03-26 cs.AI q-bio.GN q-bio.QM
Scalable Generation of Spatial Transcriptomics from Histology Images via Whole-Slide Flow Matching
Yale University(耶鲁大学);Broad Institute of MIT and Harvard(麻省理工学院和哈佛大学布罗德研究所);Northeastern University(东北大学)
本文提出STFlow,一种流匹配生成模型,通过建模整张切片基因表达的联合分布并采用局部空间注意力的高效切片级编码器,从全切片组织学图像可扩展生成空间转录组学,在HEST-1k和STImage-1K4M基准上显著优于现有方法。
2025-05-25 cs.CV q-bio.GN
A Large-Scale Benchmark of Cross-Modal Learning for Histology and Gene Expression in Spatial Transcriptomics
Helmholtz Munich, Germany(海德堡-慕尼黑赫尔姆霍尔茨研究中心);Technical University Munich, Germany(慕尼黑技术大学);Microsoft Research, USA(微软研究院)
本文提出HESCAPE大规模基准,系统评估空间转录组学中组织学图像与基因表达的跨模态对比预训练方法,发现基因编码器主导对齐效果但对比预训练会损害基因表达预测,并指出批次效应是关键干扰因素。
2025-08-27 cs.AI cs.CV cs.LG
Single Cells Are Spatial Tokens: Transformers for Spatial Transcriptomic Data Imputation
Michigan State University(密歇根州立大学);Emory University(埃默里大学);TigerGraph Company(TigerGraph公司);MD Anderson Cancer Center(MD安德森癌症中心)
本文提出基于Transformer的空间转录组数据插补框架SpaFormer,将单细胞视为空间词元,通过研究细胞空间信息编码和模型训练方法,在三个大规模数据集上实现了优于现有最先进算法的性能并保持高计算效率。
2024-02-16 cs.AI cs.LG q-bio.GN
SToFM: a Multi-scale Foundation Model for Spatial Transcriptomics
Department of Computer Science and Tecnology, Tsinghua University(清华大学计算机科学与技术系);Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院);School of Mathematical Sciences, Peking University(北京大学数学科学学院);PharMolix Inc.(PharMolix公司)
本文提出多尺度空间转录组学基础模型SToFM,并构建SToCorpus-88M语料库,通过整合宏观、微观和基因尺度信息提升细胞表示及下游任务性能。
2025-07-23 cs.AI cs.LG q-bio.GN
Beyond Gene Reconstruction: Learning Cell Representations through Complementary Transcriptomic Views
该研究针对基因重构预训练模型未直接优化全细胞表示的问题,提出含三种适配的互补转录组视图对比预训练框架,在细胞类型注释和基因调控网络推断任务中表现出竞争力。
2026-08-04 cs.AI cs.LG q-bio.GN
Analysis of Genomic and Transcriptomic Variations as Prognostic Signature for Lung Adenocarcinoma
肺癌是全世界死亡人数最多的主要原因,肺腺癌(LUAD)是肺癌最常见的形式。在这项研究中,我们对LUAD患者的突变进行了综合荟萃分析,包括单核苷酸变异(SNV),拷贝数变异(CNV),RNA-seq和临床数据,这些数据从癌症基因组图谱(TCGA)中下载。我们整合了SNV和CNV基因,差异表达基因(DEG)和活性子网络中的DEG来构建预后特征。使用具有Lasso罚分的Cox比例风险模型(LOOCV)来鉴定不同基因类别中的最佳基因签名。通过使用基于所选基因签名计算的患者的风险评分,将训练和测试数据中的患者聚类为高风险组和低风险组。我们生成了12个基因签名(DEPTOR、ZBTB 16、BCHE、MGLL、MASP 2、TNNI 2、RAPGEF 3、SGK 2、MYO 1A、CYP 24 A1、PODXL 2、CCNA 1)用于总生存期预测。高危组与低危组的生存时间差异有统计学意义。这12个基因标签可以预测预后,它们是LUAD患者生存的潜在预测因子。
2019-12-04 q-bio.GN stat.AP
A New Framework for Explainable Rare Cell Identification in Single-Cell Transcriptomics Data
该研究提出了一种新的框架,用于在单细胞转录组数据中可解释地识别稀有细胞,通过消除PCA步骤并采用先进算法提高解释性。
2026-01-04 cs.LG q-bio.GN
Inferring selective constraint from population genomic data suggests recent regulatory turnover in the human brain
过去十年的比较基因组学革命使得能够通过序列比较发现人类基因组中的功能元件。虽然如此,但在寻找物种间的序列保守性时,完全错过了一类重要的元素,即人类特有的元素。在这里,我们提出了一个分析的基础上,利用监督机器学习的方法来识别人类基因组中的特定净化选择的人类基因组之间的变异数据。仅使用来自完整的低覆盖率1000基因组计划数据集的等位基因频率信息,结合从基因组的已知功能和非功能部分训练的支持向量机,我们能够准确地识别受纯化选择约束的基因组部分。我们的方法确定了以前已知的人类特定的功能增益或损失,并发现了许多新的候选人。沿着人类谱系的功能获得和丧失的候选靶标包括中枢神经系统正常发育所必需的基因的许多推定的调节区域,包括神经递质受体基因附近的功能获得事件的显著富集。这些结果是一致的监管营业额是一个关键的机制,在人类特有的大脑发育特征的演变。最后,我们表明,目前大部分基因组不受自然选择的约束,这与系统发育方法的估计一致,但与基于转录组学或其他高通量功能方法的估计形成鲜明对比。
2015-11-22 q-bio.GN q-bio.PE
Multiscale topology classifies and quantifies cell types in subcellular spatial transcriptomics
空间转录组学有可能改变我们对组织中RNA表达的理解。经典的基于阵列的技术产生多细胞尺度的测量,需要去卷积来恢复单细胞信息。然而,在全转录组深度的RNA表达的亚细胞测量的快速进展需要一个根本不同的方法。为了将单细胞RNA-seq数据与纳米级空间转录组学相结合,我们提出了一种用于自动细胞类型识别的拓扑方法(TopACT)。与多细胞分辨率数据的流行分解方法不同,TopACT能够在没有细胞边界先验知识的情况下精确定位单个稀疏分散细胞的空间位置。TopACT与多参数持续同源景观配对预测免疫细胞在狼疮肾炎小鼠模型中肾小球内形成外周环结构,我们用免疫荧光成像进行了实验验证。所提出的拓扑数据分析统一了从亚细胞基因表达到多细胞组织的多个生物尺度。
2022-12-13 math.AT q-bio.GN q-bio.QM
ST-Align: A Multimodal Foundation Model for Image-Gene Alignment in Spatial Transcriptomics
National Institute for Data Science in Health and Medicine, Xiamen University(厦门大学健康与医学数据科学国家研究院);School of Informatics, Xiamen University(厦门大学信息学院);Aginome Scientific(Aginome科技公司);School of Life Sciences, Xiamen University(厦门大学生命科学学院)
针对空间转录组学中现有模型缺乏切片视角和空间关系的局限,提出首个ST专用基础模型ST-Align,通过整合空间上下文深度对齐图像-基因对,在130万对数据上预训练,零样本和少样本性能更优,可降低ST成本并助力组织成分分析。
2024-11-25 cs.CV q-bio.GN
CASPER: Cross-modal Alignment of Spatial and single-cell Profiles for Expression Recovery
Department of Computer Science \& Engineering, Indian Institute of Technology Ropar, India Qatar Computing Research Institute, Hamad Bin Khalifa University, Doha, Qatar. Department of Biomedical Engineering, Indian Institute of Technology Ropar, India
针对空间转录组学可检测基因有限的问题,提出基于交叉注意力的跨模态对齐框架CASPER,整合单细胞RNA测序数据预测未测基因表达,在多数据集对比实验中多数指标优于现有基线模型。
2025-11-19 cs.AI cs.LG q-bio.GN
Towards Unified Molecule-Enhanced Pathology Image Representation Learning via Integrating Spatial Transcriptomics
Academy for Engineering and Technology, Fudan University(复旦大学工程技术研究院);Cognition and Intelligent Technology Laboratory, Fudan University(复旦大学认知与智能技术实验室);Shanghai Jiaotong University(上海交通大学);Fudan University(复旦大学)
提出UMPIRE框架,利用空间转录组学基因表达与病理图像进行多模态对齐预训练,提升分子相关下游任务表现。
2024-12-01 cs.CV q-bio.GN
Transcriptomic and metabolomic analysis of copper stress acclimation in Ectocarpus siliculosus highlights signaling and tolerance mechanisms in brown algae
褐藻是沿海生态系统中具有重要生态意义的固着大型生物。它们独立于陆地植物和其他多细胞谱系进化而来,因此拥有几个原始的个体发育和代谢特征。大多数褐藻生长在沿海地区,在那里它们面临着频繁的环境变化,包括暴露于有毒水平的重金属,如铜(Cu)。我们进行了大规模的转录组学和代谢组学分析,以破译褐藻模型E。siliculosus的Cu胁迫,并比较这些数据的结果已知的其他非生物胁迫。这一比较表明,铜诱导氧化应激在E。siliculosus,如Cu和H2 O2处理之间的转录组学重叠所示。对Cu和H2 O2的共同反应包括氧脂素的激活和肌醇信号通路的抑制,以及编码几种转录相关蛋白的基因的调节。与此同时,铜胁迫特异性地激活了一组编码ABC转运蛋白,P1 B型ATP酶,ROS解毒系统,如钒依赖性溴过氧化物酶的直系同源基因,并诱导游离脂肪酸含量增加。最后,我们观察到,作为一种常见的非生物胁迫机制,自噬过程的激活一方面和抑制基因参与氮同化的另一方面。与绿色植物的数据比较表明,在铜和氧化应激反应所涉及的一些过程是保守的,在这两个遥远的血统。与此同时,大量的尚未表征的褐藻特异性基因诱导铜胁迫强调了潜在的发现新的组件和这些生物体独特的分子相互作用。对未来研究特别感兴趣的是活性氧(ROS)-,肌醇-和氧脂素信号之间的潜在串扰。
2015-02-06 q-bio.GN q-bio.MN
Masked Graph Autoencoders with Contrastive Augmentation for Spatially Resolved Transcriptomics Data
School of Information Science and Engineering, Yunnan University(云南大学信息科学与工程学院);College of Nursing Health Sciences, Yunnan Open University(云南开放大学护理与健康科学学院)
针对空间分辨转录组数据分析中的空间域识别与基因去噪需求,提出带对比增强的掩码图自编码器STMGAC,结合自蒸馏与三元组学习增强表征判别性,在5个数据集上性能优于现有基线方法。
2024-08-09 cs.AI cs.LG q-bio.GN
Cancer Subtyping via Embedded Unsupervised Learning on Transcriptomics Data
Osaka University(大阪大学)
癌症是世界上最致命的疾病之一。肿瘤亚型的准确诊断和分类对于有效的临床治疗是必不可少的。随着各种深度学习方法的出现,最近发表了关于自动癌症亚型分型系统的有希望的结果。然而,这样的自动系统往往过拟合的数据,由于高维和稀缺性。在本文中,我们建议从无监督学习的角度直接构建底层数据分布本身,从而可以产生足够的数据,以减轻过拟合的问题,自动子类型。具体来说,我们绕过了强高斯假设,通常存在,但失败的无监督学习子分类文献,由于小尺寸的样本矢量量化。我们所提出的方法更好地捕捉潜在的空间特征,并在分子基础上对癌症亚型表现进行建模,如广泛的实验结果所示。
2022-04-02 cs.LG q-bio.GN
SUICA: Learning Super-high Dimensional Sparse Implicit Neural Representations for Spatial Transcriptomics
Qingtian Zhu(朱庆天);Yumin Zheng(郑玉敏);Yuling Sang(Sang Yuling);Yifan Zhan(湛毅凡);Ziyan Zhu(朱子燕);Jun Ding(丁俊);Yinqiang Zheng(郑延庆)
本文提出SUICA,利用隐式神经表示和图增强自编码器,以连续紧凑方式建模空间转录组学数据,并通过分类回归策略处理超高维稀疏和偏斜分布,在多个平台上取得优于现有方法的保真度与生物保守性。
2025-05-07 cs.LG q-bio.GN
Harmonised benchmarking of foundation models for single-cell and spatial transcriptomics reveals context-dependent generalisation
BioMedical Machine Learning Laboratory, School of Biomedical Engineering, UNSW Sydney(新南威尔士大学生物医学工程学院生物医学机器学习实验室);School of Biotechnology and Biomolecular Sciences, UNSW Sydney(新南威尔士大学生物技术与分子科学学院);School of Computing, Macquarie University(麦考瑞大学计算机学院);Strands(23Strands);Shenzhen Key Laboratory for High Performance Data Mining, Shenzhen Institute of Advanced Technology(深圳先进技术研究院高性能数据挖掘重点实验室);School of Biomedical Engineering, UNSW Sydney(新南威尔士大学生物医学院);Center of Excellence in Precision Medicine and Digital Health, Faculty of Dentistry, Chulalongkorn University(朱拉隆功大学牙科学院精准医疗与数字健康卓越中心);UNSW AI Institute, University of New South Wales(新南威尔士大学人工智能研究所);Shanghai Institute of Immunology, Shanghai Jiao Tong University School of Medicine(上海交通大学医学院上海免疫学研究所)
研究单细胞和空间转录组学基础模型通用性,用统一框架对六个模型进行基准测试,评估多项任务,发现模型性能有条件性,无模型主导,排名随多种因素变化,为模型选择提供指导并提出评判模型新依据。
2026-09-18 q-bio.CB q-bio.GN
SimCD: Simultaneous Clustering and Differential expression analysis for single-cell transcriptomic data
单细胞RNA测序(scRNA-seq)测量促进了个体细胞的基因组规模的转录组学分析,希望解卷积相应细胞亚群中的细胞动态变化,以更好地理解不同发育过程的分子机制。已经提出了几种scRNA-seq分析方法,以首先通过聚类鉴定细胞亚群,然后分别进行差异表达分析以了解基因表达变化。它们相应的统计模型和推理算法通常是分开设计的。我们开发了一种新的方法- SimCD -在一个统一的分层γ-负二项式(hGNB)模型中明确建模细胞异质性和动态差异变化,允许同时进行scRNA-seq数据的细胞聚类和差异表达分析。我们的方法通过动态表达变化自然地定义了细胞异质性,与单独执行这两项任务的现有方法相比,这有望有助于在这两项任务上实现更好的性能。此外,SimCD通过细胞和基因水平因子更好地模拟scRNA-seq数据中的脱落(零膨胀),并避免了复杂的预处理步骤,如归一化,这要归功于通过严格的hGNB模型和高效的Gibbs采样推断算法直接建模scRNA-seq计数数据。与模拟和真实scRNA-seq计数数据的最新方法进行的广泛比较证明了SimCD发现细胞簇和捕获动态表达变化的能力。此外,SimCD有助于识别下丘脑神经元细胞亚型中受食物剥夺影响的几个已知基因以及一些新的潜在标记物,表明SimCD用于生物标记物发现的能力。
2021-04-04 q-bio.GN stat.ML
HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data
Yale University, USA(耶鲁大学)
本文提出HEIST模型,通过图结构建模空间转录组学和蛋白质组学数据,利用层次化图Transformer实现对细胞空间位置和基因表达的联合建模,从而提升对细胞异质性和微环境响应的理解。
2026-06-04 cs.LG q-bio.CB q-bio.GN
QuST-LLM: Integrating Large Language Models for Comprehensive Spatial Transcriptomics Analysis
Pfizer Inc.(辉瑞公司)
提出 QuST-LLM,将 LLM 融入 QuPath,构建覆盖数据加载到功能注释的空间转录组学分析流程,并生成生物学叙述、支持自然语言交互。
2024-07-01 cs.CL cs.CV q-bio.GN
Topological and geometric analysis of cell states in single-cell transcriptomic data
本文提出工具scGeom,通过图曲率和持久同调分析scRNA-seq数据的多尺度与多维结构,揭示细胞网络和基因网络的拓扑与几何特征,以指示过渡细胞、发育潜能并改善细胞类型分类。
2023-09-14 q-bio.GN q-bio.QM
STimage-1K4M: A histopathology image-gene expression dataset for spatial transcriptomics
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
针对现有医学图像-文本数据集缺乏子图块细节的问题,研究推出包含1149张图像、429万余对子图块-基因表达对的STimage-1K4M数据集,为多模态分析及计算病理学研究提供高粒度数据支撑。
2024-06-20 cs.CL cs.CV q-bio.GN
Outcome-guided Sparse K-means for Disease Subtype Discovery via Integrating Phenotypic Data with High-dimensional Transcriptomic Data
疾病亚型的发现是发展精准医学的重要一步,通过组学数据进行疾病亚型分型已成为一种流行的方法。虽然有希望,但从现有方法获得的亚型不一定与临床结果相关。随着现代流行病学队列中丰富的临床数据和组学数据,迫切需要开发一种结果引导的聚类算法,将表型数据与高维组学数据充分融合。因此,我们将稀疏K均值方法扩展为结果引导的稀疏K均值(GuidedSparseKmeans)方法。提出了一个统一的目标函数,它包括:(i)加权K-均值,以执行样本聚类;(ii)套索正则化,以执行基因选择从高维组学数据;(iii)纳入一个表型变量从临床数据集,以促进生物学意义的聚类结果。通过迭代优化目标函数,我们将同时获得一个表型相关的样本聚类结果和基因选择结果。我们通过与现有的聚类方法在乳腺癌和阿尔茨海默病的高维转录组数据的模拟和应用中的比较,证明了GuidedSparseKmeans的优越性能。我们的算法已经实现到一个R包中,该包在GitHub上公开提供(https://github.com/LingsongMeng/GuidedSparseKmeans)。
2022-02-28 q-bio.GN q-bio.QM stat.AP
Leveraging Natural Language Processing to Unravel the Mystery of Life: A Review of NLP Approaches in Genomics, Transcriptomics, and Proteomics
The Shmunis School of Biomedicine and Cancer Research, George S. Wise Faculty of Life Sciences, Tel-Aviv University(谢蒙尼生物医学与癌症研究学院,乔治·S·威斯生命科学学院,特拉维夫大学)
探讨自然语言处理方法在生物序列数据(基因组学、转录组学和蛋白质组学)中的应用,介绍从经典到先进模型的适配,分析分词策略与模型架构,提及生物数据应用进展及语言模型融入生物信息学的前景。
2026-07-07 cs.AI cs.CL q-bio.GN
Correlation-Guided Flow Matching with Annealed Masking for Spatial Transcriptomics Generation
University of Cambridge(剑桥大学);The University of Edinburgh(爱丁堡大学);National University of Singapore(新加坡国立大学)
针对空间转录组预测中忽略基因相互作用的局限,提出相关性引导的流匹配框架CorrFlow,通过退火掩码和基因图正则化显式建模基因依赖,在12个数据集上取得最优PCC和HPCC。
2026-09-22 cs.CV cs.LG q-bio.GN
Graph Neural Operators for Classification of Spatial Transcriptomics Data
Johns Hopkins University(约翰斯·霍普金斯大学);BlueLightAI Inc.(蓝灯人工智能公司);Yasin Research Group(亚辛研究组)
空间转录组学的出现使得人们能够更好地理解组织结构,并通过其位置背景解开复杂的潜在生物学、生理学和病理学过程。最近,这些背景,并通过扩展该领域,已经看到了很多承诺和说明与图学习方法的应用。特别是,神经运算符在学习无限维函数空间之间的映射方面已经崛起。由于基本到深度神经网络架构是数据驱动的,即依赖于用于预测的质量数据,神经算子通过在不同分辨率之间提供泛化而提供鲁棒性,尽管数据质量较低。图神经运算符是一种变体,它利用图网络来学习函数空间之间的这种映射。本研究的目的是确定强大的机器学习架构,整合空间信息来预测组织类型。在这个概念下,我们提出了一项研究,将各种图神经网络的方法来验证神经算子对预测小鼠脑组织样本中的脑区域的有效性,作为对我们的目的的概念证明。我们能够实现图神经算子方法的近72%的F1得分,优于所有基线和其他图网络方法。
2023-02-01 cs.AI cs.LG q-bio.GN
Large-scale spatial variable gene atlas for spatial transcriptomics
Gladstone Institutes(格拉德斯通研究所);Department of Biomedical Data Science Stanford University(斯坦福大学生物医学数据科学系);Department of Biostatistics Computer Science Statistics Operations Research Genetics Lineberger Comprehensive Cancer CenterUniversity of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校林伯格综合癌症中心生物统计、计算机科学、统计学、运筹学、遗传学系)
本研究对20种SVG检测方法开展基准测试,构建首个跨组织SVGs图谱,揭示组织间空间基因程序关联及癌症相关空间基因程序,为ST领域提供评估框架与参考资源。
2026-09-22 cs.DB q-bio.GN q-bio.TO