HyperGCN: 공간 전사체 데이터의 통합 분석을 위한 효과적인 심층 표현 학습 프레임워크

초록 배경 공간 전사체 기술의 발전으로 동일 조직에서 세포의 유전자 발현과 공간 위치를 동시에 프로파일링할 수 있게 되었습니다. 전사체 데이터와 공간 맥락 정보를 통합하기 위한 계산 도구와 접근법이 근본적인 구조 패턴을 포괄적으로 탐색하기 위해 시급히 필요합니다. 본 원고에서는 동일 조직에서 프로파일된 유전자 발현과 공간 정보를 통합 분석하기 위한 HyperGCN을 제안합니다. HyperGCN은 데이터 시각화 및 군집화를 가능하게 하며, 도메인 분할, 특정 도메인 구조에 대한 마커 유전자 특성 규명, GO 풍부도 분석 등 후속 분석을 촉진합니다. 결과 다양한 공간 해상도를 가진 4개의 실제 데이터셋(인간 외측 전전두엽 피질, 인간 양성 유방 종양, 쥐 뇌, 쥐 후각구 조직 및 제브라피쉬 흑색종)과 다양한 기술(10X visium, osmFISH, seqFISH+, 10X Xenium, Stereo-seq)에 대해 광범위한 실험을 수행하였습니다. 결과는 HyperGCN이 우수한 군집화 성능을 달성하고 좋은 도메인 분할 효과를 나타내며 생물학적으로 의미 있는 공간 발현 패턴을 식별함을 보였습니다. 본 연구는 높은 기하학적 복잡도를 가진 공간 전사체 데이터를 분석하기 위한 유연한 프레임워크를 제공합니다. 결론 HyperGCN은 고차원 상호작용과 공간 전사체 데이터의 잡음 수준을 더 잘 처리하기 위해 비연결된 고기하학적 조직 존재를 가정하고 세포 간 의미적 관계를 하이퍼그래프로 모델링하는 하이퍼그래프 유도 그래프 합성곱 네트워크(Hyper Graph Induced Graph Convolutional Network)에 기반한 비지도 학습 방법입니다.