面向空间转录组学的视觉组成数据分析
Visual Compositional Data Analytics for Spatial Transcriptomics
AI总结：
本研究针对空间转录组数据细胞类型比例可视化问题，设计了含三个联动视图的视觉分析系统，结合Aitchison几何框架实现降维和聚类，提升了模式探索效率并开源了代码。
摘要：
针对2024年生物+医学可视化挑战赛（Bio+Med-Vis Challenge 2024），我们提出了一套视觉分析系统，对空间转录组数据细胞类型比例的散点饼图可视化方案进行了重新设计。我们的设计采用三个联动视图：组织的组织学图像视图、展示各斑点细胞类型比例的堆叠条形图，以及呈现多变量比例降维结果的散点图。此外，我们将一种组成数据分析框架——Aitchison几何应用于比例数据，以开展降维和k-means聚类。借助刷选与联动功能，该系统支持用户探索并发现细胞类型混合中的模式，并将其与细胞组织上的空间位置关联起来。本次重新设计将模式识别的工作负担从人类视觉系统转移至视觉分析领域常用的计算方法。我们已在GitHub上提供了该视觉分析系统的代码和配置说明（https://github.com/UniStuttgart-VISUS/va-for-spatial-transcriptomics）。
英文摘要：
For the Bio+Med-Vis Challenge 2024, we propose a visual analytics system as a redesign for the scatter pie chart visualization of cell type proportions of spatial transcriptomics data. Our design uses three linked views: a view of the histological image of the tissue, a stacked bar chart showing cell type proportions of the spots, and a scatter plot showing a dimensionality reduction of the multivariate proportions. Furthermore, we apply a compositional data analysis framework, the Aitchison geometry, to the proportions for dimensionality reduction and $k$-means clustering. Leveraging brushing and linking, the system allows one to explore and uncover patterns in the cell type mixtures and relate them to their spatial locations on the cellular tissue. This redesign shifts the pattern recognition workload from the human visual system to computational methods commonly used in visual analytics. We provide the code and setup instructions of our visual analytics system on GitHub (https://github.com/UniStuttgart-VISUS/va-for-spatial-transcriptomics).
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
