空转工具推荐 | DIST：利用深度学习增强空间转录组学

空间分辨转录组学技术能够在完整组织的背景下全面测量基因表达模式。然而，现有技术存在分辨率低或测序深度浅的问题。2023年1月，《Briefings in Bioinformatics》发表了一种基于深度学习的方法：DIST，其将基因表达谱归因于未测量的位置，并通过自我监督学习和转移学习增强原始测量点和估算点的基因表达。

DIST是什么？

DIST是一种仅使用空间基因表达数据在新的和未测量的点上估算基因表达谱的方法，以获得更高分辨率的精细空间图谱。与XFuse和HisToGene不同，DIST使用深度学习增强ST数据，不需要任何其他信息（如组织学图像）。此外，DIST还可以通过从高质量数据中学习来对估算的空间基因表达进行去噪。

DIST 首先学习如何从下采样的LR基因表达图谱和原始基因表达图谱中估算未测量的基因表达，然后应用学习的规则来估算原始数据上的未测量基因表达。该架构允许DIST通过各种方式增强ST数据。除了通过自监督学习对未测量点进行插补外，DIST 还可以通过在高质量ST数据上进行迁移学习来改进低质量ST数据的插补，并通过在训练集的输入中引入合成噪声来对插补表达式进行降噪。

DIST架构

DIST的性能测试

开发团队评估了 DIST 在插补、聚类、差异表达分析和功能富集分析方面的性能。结果表明，DIST可以准确地估算基因表达，增强低质量数据的基因表达，有助于检测更多具有生物学意义的差异表达基因和通路，从而可以更深入地了解生物学过程。

模拟数据结果表明DIST比传统插值方法更准确地完成插补任务，同时揭示更多的生物信号。

将Sepal应用于使用DIST插补前后人类黑色素瘤的ST数据集：DIST估算的HR数据使Sepal 具有更多的功能并显着提高黑色素瘤相关基因的排名和发现淋巴、间质相关基因等。

比较了DIST插补前后IDC的聚类结果表明，DIST插值表达式具有更平滑的聚类结果。

差异表达分析结果表明，与原始数据相比，从估算表达中发现了更多有意义的标记。

DIST同时对低质量IDC进行插补和去噪。

虽然开发团队的评估是在ST和Visium平台上进行的，但DIST也适用于其他平台（如 Stereo-seq）。此外，DIST还可以扩展到三维 (3D) ST重建，为生物探索提供更全面的视角。为重建3D表达，现有方法通常对齐和整合来自多个相邻组织切片的ST数据。一些估算的方法不能轻易应用于3D表达，因为组织切片之间没有匹配的组织学图像。然而，DIST只需要基因表达和点坐标，因此它可以适用于3D表达，只需稍微修改网络参数和 VLN输入的维度。总之，DIST提供了全面的数据增强，包括插补和去噪，可以成为ST数据分析的有用工具。

DIST算法从如下链接获取： https://github.com/zhaoyp1997/DIST.

参考文献

Zhao Y, Wang K, Hu G. DIST: spatial transcriptomics enhancement using deep learning[J]. Briefings in Bioinformatics, 2023.

首发公号：深圳国家基因库大数据平台