空间分辨转录组学中的深度学习：一种综合技术视角
摘要：空间分辨转录组学（Spatially resolved transcriptomics，SRT）通过各种技术的快速发展，使科学家们能够在单细胞分辨率下同时研究形态背景和基因表达谱。SRT数据既复杂又多模态，包括基因表达矩阵、空间信息和往往高分辨率的组织学图像。由于这种复杂性和多模态性，需要复杂的计算算法来准确分析SRT数据。在这个领域，大多数努力都是利用传统的机器学习和统计方法，但由于SRT数据集的复杂性，结果往往不理想。为了解决这些缺点，研究人员最近采用了包括各种最新方法在内的深度学习算法，主要用于空间聚类、空间可变基因识别和对齐。虽然在开发基于深度学习的SRT数据分析模型方面取得了很大进展，但仍需要进一步改进，以创建更加生物学感知的模型，考虑诸如进化树感知聚类或小组织学图像补丁分析等方面。此外，还需要在使用深度学习方法分析SRT数据时进行批次效应去除、归一化以及处理基因表达的过剩和零膨胀模式的策略。在本文中，我们提供了这些深度学习方法的全面概述，包括它们的优点和局限性。我们还强调了这一领域的新前沿、当前挑战、限制和未解决的问题。此外，我们提供了一个全面的可用SRT数据库列表，可以作为未来研究的广泛资源。
作者：Roxana Zahedi Nasab, Mohammad Reza Eftekhariyan Ghamsari, Ahmadreza Argha, Callum Macphillamy, Amin Beheshti, Roohallah Alizadehsani, Nigel H. Lovell, Mohammad Lotfollahi, Hamid Alinejad-Rokny
论文ID：2210.04453
分类：Genomics
分类简称：q-bio.GN
提交时间：2023-05-09