使用 DIRAC 整合与注释空间多组学数据

空间多组学技术可在完整组织内测量多个分子层面。两个核心挑战是垂直整合（结合不同分子模态）和水平整合（跨研究对齐细胞类型）。在此，我们提出通过自适应校准实现域不变表示（DIRAC），这是一种几何深度学习模型，在广义域适应框架中统一了这些任务。DIRAC 学习具有任务判别性的特征，这些特征对由批次效应、组学模态或研究站点引起的域偏移不敏感，从而实现共享嵌入空间，并通过从参考数据集进行标签转移实现自动化细胞类型注释。在基于测序和基于成像的数据集中，DIRAC 在胶质母细胞瘤中识别出一个新的微血管增生域，纠正了重度阿尔茨海默病中的皮层分层注释，解析了小鼠胚胎中的细微结构，并对缺失数据和未见细胞类型保持稳健。我们生成了小鼠脾脏和胸腺 Stereo-CITE-seq 数据，并利用 DIRAC 揭示了胸腺 T 细胞迁移和脾脏免疫细胞相互作用。DIRAC 速度快，可扩展到数百万个细胞。

中文由 AI 翻译，仅供参考，以原文为准。