SpaTM: topic models for inferring spatially informed transcriptional programs
Notice bibliographique
Résumé
Spatial transcriptomics enables the contextualization of gene expression with spatial organization, advancing our understanding of development, disease, and tissue architecture. However, existing analysis pipelines require multiple tools to explore spatial domains, and few methods can jointly analyse spatial data from annotation-free and annotation-guided perspectives with high interpretability. We therefore propose the Spatial Topic Model (SpaTM), a topic-modelling framework capable of annotation-guided and annotation-free analysis of spatial transcriptomes. SpaTM can learn gene programs that represent histology-based annotations while also inferring spatial domains with an annotation-free approach if manual annotations are limited or noisy. In benchmarking experiments, SpaTM achieves competitive performance at spatial label prediction and clustering when compared with existing state-of-the-art methods. We demonstrate SpaTM's interpretability by using topic mixtures to capture transcriptional programs in dorsolateral prefrontal cortex and ductal carcinoma samples and show how its intuitive framework facilitates the integration of spatial transcriptomics tasks. Finally, we showcase how SpaTM can extend the analysis of large-scale snRNA-seq atlases in human brains with Major Depressive Disorder. Overall, SpaTM provides a unified and interpretable analysis framework for spatial transcriptomics, enabling competitive performance in multiple tasks while inferring biologically informed gene programs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».