[Nature Communications | 论文简读] 通过多视图图协同学习从空间分辨的转录组学数据中阐明肿瘤异质性

简读分享 | 赵晏浠 编辑 | 李仲深

论文题目

Elucidating tumor heterogeneity from spatially resolved transcriptomics data by multi-view graph collaborative learning

论文摘要

空间解析转录组学 (SRT) 技术使我们能够获得对组织结构和细胞发育的新见解，尤其是在肿瘤中。然而，缺乏对生物背景和多视图特征的计算开发严重阻碍了组织异质性的阐明。在这里，作者提出了 stMVC，这是一种多视图图协同学习模型，它在通过注意力分析 SRT 数据时集成了组织学、基因表达、空间位置和生物学背景。具体来说，采用半监督图注意力自动编码器的 stMVC 分别学习组织学相似度图或空间位置图的特定视图表示，然后在生物上下文的半监督下通过注意力同时整合两个视图以获得鲁棒表示。stMVC 在检测组织结构、推断轨迹关系和对人类皮层的基准切片去噪方面优于其他工具。特别是，stMVC 可识别乳腺癌研究中与疾病相关的细胞状态及其过渡细胞状态，并通过独立临床数据的功能和生存分析进一步验证。这些结果证明了 SRT 数据的临床和预后应用。

论文链接

https://www.nature.com/articles/s41467-022-33619-9