ترجمه فارسی مقاله PRAGA: تجمع تطبیقی ​​نمودار آگاهانه نمونه اولیه برای تجزیه و تحلیل Omics چند منظوره فضایی

چکیده

Spatial multi-modal omics technology, highlighted by Nature Methods as an advanced biological technique in 2023, plays a critical role in resolving biological regulatory processes with spatial context. Recently, graph neural networks based on K-nearest neighbor (KNN) graphs have gained prominence in spatial multi-modal omics methods due to their ability to model semantic relations between sequencing spots. However, the fixed KNN graph fails to capture the latent semantic relations hidden by the inevitable data perturbations during the biological sequencing process, resulting in the loss of semantic information. In addition, the common lack of spot annotation and class number priors in practice further hinders the optimization of spatial multi-modal omics models. Here, we propose a novel spatial multi-modal omics resolved framework, termed PRototype-Aware Graph Adaptative Aggregation for Spatial Multi-modal Omics Analysis (PRAGA). PRAGA constructs a dynamic graph to capture latent semantic relations and comprehensively integrate spatial information and feature semantics. The learnable graph structure can also denoise perturbations by learning cross-modal knowledge. Moreover, a dynamic prototype contrastive learning is proposed based on the dynamic adaptability of Bayesian Gaussian Mixture Models to optimize the multi-modal omics representations for unknown biological priors. Quantitative and qualitative experiments on simulated and real datasets with 7 competing methods demonstrate the superior performance of PRAGA.

چکیده به فارسی (ترجمه ماشینی)

فناوری OMICS چند منظوره مکانی ، که توسط روش های طبیعت به عنوان یک تکنیک پیشرفته بیولوژیکی در سال 2023 برجسته شده است ، نقش مهمی در حل فرآیندهای نظارتی بیولوژیکی با زمینه فضایی دارد.به تازگی ، شبکه های عصبی نمودار بر اساس نمودارهای K-Nearest همسایه (KNN) به دلیل توانایی آنها در مدل سازی روابط معنایی بین نقاط توالی ، در روشهای OMIC چند منظوره فضایی برجسته شده اند.با این حال ، نمودار KNN ثابت نتواند روابط معنایی نهفته پنهان شده توسط آشفتگی داده های اجتناب ناپذیر در طی فرآیند توالی بیولوژیکی را ضبط کند و در نتیجه از بین رفتن اطلاعات معنایی حاصل شود.علاوه بر این ، فقدان مشترک حاشیه نویسی نقطه و مقدمات شماره کلاس در عمل بیشتر مانع بهینه سازی مدلهای OMICS چند منظوره فضایی می شود.در اینجا ، ما یک چارچوب حل شده چند منظوره چند منظوره جدید را پیشنهاد می کنیم ، با عنوان تجمع سازگاری نمودار نمونه آگاهانه برای تجزیه و تحلیل OMICS چند منظوره فضایی (PRAGA).Praga یک نمودار پویا برای ضبط روابط معنایی نهفته و یکپارچه سازی اطلاعات مکانی و معناشناسی ویژگی ها ایجاد می کند.ساختار نمودار آموخته همچنین می تواند با یادگیری دانش متقاطع ، آشفتگی ها را ایجاد کند.علاوه بر این ، یک یادگیری متضاد نمونه اولیه پویا بر اساس سازگاری پویا از مدل های مخلوط گاوسی بیزی برای بهینه سازی بازنمایی های OMIC چند منظوره برای مقدمات بیولوژیکی ناشناخته ارائه شده است.آزمایش های کمی و کیفی در مجموعه داده های شبیه سازی شده و واقعی با 7 روش رقیب ، عملکرد برتر پراگا را نشان می دهد.