AAAI 2025 | 基于自适应图结构和动态原型对比学习的空间多组学解析框架

主要观点总结

该文提出了一种新颖的空间多组学解析框架PRAGA，旨在解决空间多模态组学数据综合编码解析的问题。通过构建动态图结构和基于贝叶斯高斯混合模型的动态原型对比学习，PRAGA能够在无人工标注和测序点类型数量先验的场景下对空间多模态组学数据进行编码解析。文章还详细介绍了PRAGA的方法原理、模型架构、模型训练以及实验验证。

关键观点总结

关键观点1: 主要贡献

提出了一个新颖的空间多模态组学解析框架PRAGA，用于聚合多模态组学数据及其对应的空间位置信息；关注KNN无法捕捉的潜在语义关系，提出了动态组学图结构来学习这些语义关系；提出了可学习的空间聚合图结构，能够自适应地聚合特征和空间信息，获得组学特定的编码；考虑到实际场景中常常缺乏生物学先验，提出了动态原型对比学习方法，通过自适应地感知测序点类型数量来优化模型。

关键观点2: 方法原理

PRAGA通过构建动态图结构和利用贝叶斯高斯混合模型来解决空间多组学数据解析的问题。其中，动态图结构用于建模测序点间的语义相关性，贝叶斯高斯混合模型则用于构建动态原型对比学习损失，自适应地感知细胞类型的数量。

关键观点3: 实验验证

作者在多个数据集上进行了定性和定量实验，实验结果证明了PRAGA显著优于现有最先进方法。包括在小鼠脾脏和胸腺组织数据集上的定性实验，以及在人类淋巴结数据集、小鼠脑部组织数据和模拟三组学数据集上的定量实验。