A unified framework for identification of cell-type-specific spatially variable genes in spatial transcriptomic studies
Notice bibliographique
Résumé
Characterizing cell-type-specific spatially variable genes (SVGs) within tissue context is essential for exploring the landscape of complex biological systems in spatial transcriptomic (ST) studies. In this paper, we present a unified framework, the Mixture of Mixed Models (MMM), designed to directly model RNA count data and identify cell-type-specific SVGs while accounting for cell type composition and correcting for platform effects. Through a comprehensive simulation study and the analyses of eight publicly available ST datasets from various tissues and technologies with different resolutions, we demonstrate the effectiveness and robustness of MMM in identifying cell-type-specific SVGs. Notably, our integrative analysis with genome-wide association studies reveals that the cell-type-specific SVGs identified by MMM in a mouse brain study exhibit significant heritability enrichment in brain-related phenotypes. This finding suggests that cell-type-specific SVGs play a vital role in elucidating the mechanisms underlying complex traits and diseases. When applying MMM to analyze a high-resolution Xenium human breast cancer dataset by accounting for the uncertainties in cell segmentation, we find that certain cell-type-specific SVGs may contribute to cell-cell communications, thereby regulating the tissue microenvironment. Furthermore, we show the versatility of MMM by applying it to the 3D tissue models constructed from multiple ST slices, highlighting its utility in analyzing the 3D ST data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».