数据自适应Grassmann流形表示用于空间转录组比对
Data-Adaptive Grassmann Manifold Representations for Spatial Transcriptomics Alignment
浏览论文内容
中文总结 AI 辅助
针对空间转录组分析中单特征向量表示不足的问题，提出GrassST子空间方法，利用Grassmann流形上的子空间表示点，并自适应选择参数，在四个数据集上实现有效的聚类与跨切片整合。
中文摘要 AI 辅助
空间转录组学将基因表达与空间坐标一同测量，但许多现有分析方法主要将每个点表示为单一特征向量。我们提出GrassST，一种用于空间转录组分析和跨切片比对的子空间方法。对于每个空间点，GrassST从组织坐标构建邻域，在该邻域内将低维子空间拟合到嵌入的表达谱，并用所得子空间表示该点。这些表示是Grassmann流形上的点，可以通过子空间之间的距离进行比较。GrassST从数据的谱能量中选择邻域大小和子空间秩，使得这些参数随数据集变化而非固定不变。在四个空间转录组数据集上的实验表明，GrassST在统一评估流程下取得了有竞争力的聚类和跨切片整合性能。
英文摘要
Spatial transcriptomics measures gene expression together with spatial coordinates, but many existing analysis methods represent each spot primarily by a single feature vector. We propose GrassST, a subspace method for spatial transcriptomics analysis and cross-slice alignment. For each spatial spot, GrassST constructs a neighborhood from tissue coordinates, fits a low-dimensional subspace to the embedded expression profiles in that neighborhood, and represents the spot by the resulting subspace. These representations are points on a Grassmann manifold and can be compared using distances between subspaces. GrassST selects the neighborhood size and subspace rank from the spectral energy of the data, allowing these parameters to vary across datasets rather than being fixed globally. Experiments on four spatial transcriptomics datasets show that GrassST achieves competitive clustering and cross-slice integration performance under a unified evaluation pipeline.
发表机构
- Michigan State University（密歇根州立大学）
- University of Georgia（佐治亚大学）
机构由 AI 辅助整理，请以论文原文为准。
