Recent technology breakthroughs in spatial molecular profiling (SMP), such as spatial transcriptomics sequencing, have enabled the comprehensive molecular characterization of single cells while preserving spatial and morphological information. One immediate question is how to identify spatially variable (SV) genes. Most of the current work builds upon the geostatistical model with Gaussian process that relies on the selection of \textit{ad hoc} kernels to account for spatial expression patterns. To overcome this potential challenge and capture more spatial patterns, we introduced a Bayesian modeling framework to identify SV genes. Our model first dichotomized the complex sequencing count data into latent binary gene expression levels. Then, binary pattern quantification problem is considered as a spatial correlation estimation problem via a modified Ising model using Hamiltonian energy to characterize spatial patterns. We used auxiliary variable Markov chain Monte Carlo algorithms to sample from the posterior distribution with an intractable normalizing constant. Simulation results showed high accuracy in detecting SV genes compared with kernel-based alternatives. We also applied our model to two real datasets and discovered novel spatial patterns that shed light on the biological mechanisms. This statistical methodology presents a new perspective for characterizing spatial patterns from SMP data.


翻译:空间分子剖析(SMP)方面最近的技术突破,如空间转录缩记式测序等,使得在保留空间和形态信息的同时,能够对单细胞进行全面的分子定性,同时保留空间和形态信息。一个直接的问题是如何确定空间变数(SV)基因。目前大部分工作以Gausian过程的地理统计模型为基础,而Gausian过程依赖于选择空间表达模式。为了克服这一潜在挑战并捕捉更多的空间模式,我们引入了巴伊西亚模型框架,以识别SV基因。我们的模型首先将复杂的测序计算数据分解成潜伏的二进制基因表达水平。然后,二进制模式量化问题被视为一个空间相关估计问题,通过一个使用汉密尔顿能源来描述空间模式的修改的Ising模型。我们用辅助变量Markov链 Monte Carlo 算法样本从远端分布中采集,并有一个难调和的正常的常态。模拟结果显示,与基于内核的替代方法相比,SV基因的探测高度精确性。我们还将我们的模型应用于两个真实的模型,并发现了从生物光基空间模式的Smmmmmmmmm和新空间模型,以显示新的空间模型显示新的空间模式。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Arxiv
0+阅读 · 2021年6月17日
Arxiv
19+阅读 · 2018年6月27日
Arxiv
6+阅读 · 2018年2月24日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Top
微信扫码咨询专知VIP会员