- 11 次围观
空间分辨转录组学（SRT）在保留每个细胞空间位置的同时，以单细胞分辨率测量基因表达，从而能够联合研究细胞身份与细胞生态位，即组织功能组织所依赖的重复性微环境。现有表征学习方法通常一次只能捕捉这两个轴中的一个。我们提出 SQUINT，这是一种图向量量化变分自编码器（VQ-VAE），它通过共享架构为每个细胞学习两个彼此分离的码本：一个细胞码本在邻域聚合之前对逐细胞嵌入进行量化，偏向于细胞内在身份；一个生态位码本在图神经网络（GNN）聚合之后对嵌入进行量化，偏向于空间上下文。二者均采用残差向量量化，形成由粗到细的离散令牌层级。SQUINT 采用逐分支的负二项重构目标进行训练，并结合三个具有领域动机且我们证明其至关重要的组成部分：用于将生态位编码锚定于空间图中的切片内余弦邻接损失、用于对齐转录组匹配细胞的跨切片对比损失，以及用于吸收批次效应的解码器切片协变量。在涵盖四种空间测定技术（STARmap、MERFISH、CosMx、Xenium）的三个数据集以及四项任务——生态位识别、细胞类型识别、跨切片整合，以及在留出区域中的空间基因表达插补——中，SQUINT 在识别任务上优于或可与强基线方法相媲美，并实现了最为忠实的跨切片整合。由此得到的离散词汇使组织可直接被 transformer 风格的基础模型消费，并可通过码分布相似性实现查询到参考图谱的单步映射，我们已在一个 CosMx 人类非小细胞肺癌队列上展示了这一点。
通过双残差向量量化从空间转录组学中学习离散的细胞与生态位编码 | bioRxiv 跳到主要内容 首页 关于 提交 提醒 / RSS 搜索此关键词 高级搜索 新结果 通过双残差向量量化从空间转录组学中学习离散的细胞与生态位编码 查看 ORCID 个人资料 Sebastian Birk ， 查看 ORCID 个人资料 Arpit Merchant ， 查看 ORCID 个人资料 Amirhossein Vahidi ， 查看 ORCID 个人资料 Fabian J. Theis ， 查看 ORCID 个人资料 Mo Lotfollahi doi: https://doi.org/10.64898/2026.08.07.743490 Sebastian Birk 1 德国慕尼黑亥姆霍兹中心计算生物学研究所，德国慕尼黑；德国慕尼黑工业大学计算、信息与技术学院，德国慕尼黑；英国剑桥欣克斯顿惠康桑格研究所，惠康基因组园区； 在 Google Scholar 上查找此作者 在 PubMed 上查找此作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本内容依据 CC-BY-NC-ND 4.0 国际许可 提供。 返回顶部 上一页 下一页 发表于 2026 年 8 月 13 日。 下载 PDF 补充材料 电子邮件 感谢您有兴趣传播 bioRxiv 的内容。 您的电子邮件 * 您的姓名 * 发送给 * 可在每行输入一个地址，或用逗号分隔多个地址。 您将发送以下内容 通过双残差向量量化从空间转录组学中学习离散的细胞与生态位编码 消息主题 （您的姓名）已从 bioRxiv 向您转发了一个页面 消息正文 （您的姓名）认为您会想查看 bioRxiv 网站上的此页面。 您的个人留言 验证码 此问题用于测试您是否为人类访问者，并防止自动垃圾邮件提交。 分享 通过双残差向量量化从空间转录组学中学习离散的细胞与生态位编码 Sebastian Birk ， Arpit Merchant ， Amirhossein Vahidi ， Fabian J. Theis ， Mo Lotfollahi bioRxiv 2026.08.07.743490； doi: https://doi.org/10.64898/2026.08.07.743490 分享本文： 复制 引文工具 通过双残差向量量化从空间转录组学中学习离散的细胞与生态位编码 Sebastian Birk ， Arpit Merchant ， Amirhossein Vahidi ， Fabian J. Theis ， Mo Lotfollahi bioRxiv 2026.08.07.743490； doi: https://doi.org/10.64898/2026.08.07.743490
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.07.743490v1?rss=1
🏷️ 空间转录组学 图神经网络 向量量化 变分自编码器 细胞生态位 跨切片整合