Elucidating tumor heterogeneity from spatially resolved transcriptomics data by multi-view graph collaborative learning
Notice bibliographique
Résumé
Abstract Spatially resolved transcriptomics (SRT) technology enables us to gain novel insights into tissue architecture and cell development, especially tumors. However, the lack of effective methods for exploiting biological contexts (e.g., global position information) and multi-view features has severely hindered the disentangling ability for tissue heterogeneity. Here, we proposed stMVC, a multi-view graph collaborative learning model that integrates histology, gene expression, spatial location, and biological contexts in analyzing SRT data by attention. Specifically, stMVC adopting semi-supervised graph attention autoencoder separately learns view-specific representations for each of two graphs, i.e., histological similarity graph by visual features and spatial location graph by physical coordinates, and then simultaneously integrates two-view graphs for robust representations via learning weights of different views with attention in a semi-supervision manner from biological contexts. Benchmark studies of stMVC on 12 slices from the human cortex, demonstrate its superior capability in detecting tissue structure, visualizing trajectory relationships between different layers, and denoising data. In particular, in the breast cancer study, stMVC identified new disease-related cell-states and their transition cell-states, which were further validated by the functional and survival analysis of independent clinical data. Those results not only provided novel biological insights into tumor heterogeneity but also demonstrated clinical and prognostic applications from SRT data. The software is available at https://github.com/cmzuo11/stMVC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».