GSPA·单细胞基因信号模式分析

在单细胞测序分析中，已有多种计算方法用于映射细胞状态空间，但基因空间的映射或嵌入研究较少。基因表达存在高度组织和协调，但由于生物和技术噪声的影响，难以量化基因间的相似性，阻碍了对基因景观的理解。

算法流程：

• 构建细胞 - 细胞图：以细胞为节点，依据转录组测量的相似性确定细胞间的亲和力，以此构建细胞 - 细胞图。其边代表细胞间的关联，为后续分析提供基础框架。
• 定义基因信号：将基因表达视为在细胞 - 细胞图节点上的连续函数，图 1b 展示了五个示意性基因信号，每个基因在不同细胞上的表达构成了独特的信号模式。
• 构建扩散小波字典：利用扩散算子 P 构建扩散小波字典，通过对 P 取不同幂次来捕获局部和全局表示，小波由这些幂次化扩散算子的差异定义，还可进行 QR 分解压缩字典。
• 基因信号投影与降维：把基因信号投影到小波字典上，获取基因在不同尺度下的特征表示。由于投影后的表示维度较高，使用自动编码器进行降维，学习得到低维的基因嵌入。这一步能在保留关键信息的同时，简化数据结构，便于后续分析。
• 应用分析：基于得到的基因嵌入，开展多种生物学分析。如进行差异定位分析，确定基因信号在图上的表达扩散程度，判断其对细胞间差异的解释力；还可用于细胞 - 细胞通讯（GSPA - LR）、空间转录组学（GSPA - multimodal）和患者反应（GSPA - Pt）等分析，挖掘基因之间的潜在关系和功能。

算法优势：

• 有效捕捉基因关系：能有效捕捉基因共表达模块、条件特异性富集和扰动特异性基因 - 基因相互作用，在多种生物任务中表现出色。
• 性能表现优异：在保留基因 - 基因关系、可视化一致性、下游分析连贯性以及捕获信号定位等方面，GSPA 和 GSPA + QR 优于其他方法。
• 适用范围广泛：可用于细胞 - 细胞通讯分析、空间转录组学分析以及患者反应分析等多个领域。
• 灵活处理数据：对不同的数据归一化和图构建方式具有较强的鲁棒性，能处理多模态数据、多个数据集和大规模图。

参考文献：Nature Computational Science volume 4, pages955–977 (2024)