Integración de Redes Neuronales Convolucionales en Grafos para la Imputación de Expresión Génica Ausente

Las técnicas de secuenciación de ARN de célula única (scRNA-seq) están emergiendo para revolucionar las ciencias biomédicas modernas al proporcionar un panorama detallado de células individuales. Sin embargo, estos métodos a menudo carecen de información crucial sobre la localización espacial. Para abordar esta brecha, se han desarrollado tecnologías de transcriptómica espacial que permiten el perfilado de la expresión génica mientras mapean la información espacial de las células. Sin embargo, el alto rendimiento génico en tecnologías de transcriptómica espacial dificulta caracterizar datos a nivel de transcriptoma completo para células individuales en el espacio. En este contexto, los enfoques para predecir la distribución espacial de los genes aún están en desarrollo. Aquí presentamos GCNgene, un método novedoso para predecir la distribución espacial de los transcriptos de ARN no detectados, integrando conjuntos de datos espaciales y de scRNA-seq. GCNgene aprovecha una red neuronal convolucional en grafos para incorporar datos de transcriptómica espacial y luego aplica una regla aprendida para reconstruir la expresión génica combinando los datos de células individuales de referencia con las proporciones calculadas de tipos celulares. En última instancia, este paradigma aprendido permite predicciones precisas de los niveles de expresión génica. El código fuente está disponible gratuitamente en: https://github.com/zhangying-njust/GCNgene/.