NC | GNTD：以空间和功能关系为依据，利用图引导神经张量分

空间分辨RNA图谱分析技术已被广泛应用于了解细胞在组织中的结构和功能作用，然而在应用空间RNA图谱分析技术时，由于组织切片制备、RNA捕获和固定等各种固有技术限制，重建整个空间转录组是一项挑战。2023年12月，《Nature Communications》发表了一种图引导神经张量分解（GNTD）模型，用于重建组织中的整个空间转录组。

GNTD采用分层张量结构和公式，在三层神经网络中通过分层非线性分解对高阶空间基因表达数据进行明确建模，并通过捕获点之间的空间关系和基因功能关系进行增强，从而从高度稀疏的空间数据中进行精确重建。

与单细胞基因表达的估算方法相比，GNTD 是一种为空间转录组学数据估算和分析而设计的不同方法。首先，空间基因表达数据自然表现为高阶结构，基因表达量在二维或三维位置测量。与简单的样本-基因关系相比，高阶结构意味着空间坐标和基因之间的关系更为复杂。其次，斑点的空间排列表明组织附近的功能连续性，如相似的细胞类型或相关（标记）基因表达，这就需要明确的空间建模。最后，高稀疏表达基因的归因通常可以从其他功能相关基因中获益。

GNTD的三层神经网络结构

GNTD是一个三层神经网络，用于模拟完成空间坐标（x和y模式）和基因（g模式）中具有层次结构成分的三向张量。GNTD学习每个模式中所有元素之间的非线性关系，以构建张量的典型多面体分解（CPD）因子。为了克服稀疏张量中的过拟合问题，还引入了图正则化，通过阵列中斑点间的空间信息和蛋白质-蛋白质相互作用（PPI）网络中基因间的功能关系来平滑估算。图正则化是基于以下先验知识：相邻点通常具有相似的基因表达，而功能相关的基因更有可能共同表达。

GNTD的性能测试

在22个Visium空间转录组学数据集和3个高分辨率Stereo-seq数据集以及模拟数据上的广泛实验表明，GNTD在由非线性张量分解和空间和功能信息的结合驱动的交叉验证中持续提高了插补精度，并证实估算的空间转录组为用于组织分割的细胞/斑点聚类以及空间基因表达聚类和可视化的下游分析提供了更完整的基因表达图谱。

在模拟和Visium数据中更准确地估算空间基因表达。

模拟空间转录组学数据的空间域检测和基因空间模式恢复 22 个 Visium 数据集的插补精度评估

GNTD 插补可在DLPFC切片和人类乳腺癌切片中实现更好的空间域检测、增强空间共表达基因簇的生物学解释、揭示低分辨率和高分辨率空间转录组数据中的真实基因空间模式...

比较DLPFC切片和人类乳腺癌切片中异质肿瘤组织区域的检测层结构 22 个Visium数据集上空间共表达基因簇的富集分析 GNTD对高分辨率空间转录组数据进行更好的插补 在Visium和Stereo-seq数据上恢复标记基因空间模式的插补方法

在模拟、22个Visium空间转录组学数据集和3个高分辨率Stereo-seq数据集上进行的大量实验结果表明：通过综合基准测试以及与其他方法的比较，GNTD是估算空间分辨基因表达的最佳方法。所有数据集之间以及两个空间图谱平台数据之间的结果高度一致，这也表明此项研究结果对其他数据集以及其他不同平台的数据具有很强的通用性。此外，研究结果还表明：根据捕获点之间的空间关系和PPI网络中基因之间的功能关系构建的笛卡尔乘积图对插补性能起着关键作用。 

GNTD是用Python实现的，代码可通过GitHub公开获取： 

👉 https://github.com/kuanglab/GNTD.

参考文献

Song, T., Broadbent, C. & Kuang, R. GNTD: reconstructing spatial transcriptomes with graph-guided neural tensor decomposition informed by spatial and functional relations. Nat Commun 14, 8276 (2023).

首发公号：深圳国家基因库大数据平台