相似性对比空间多组学整合方法、系统、设备及介质
本发明涉及生物信息学,尤其是涉及相似性对比空间多组学整合方法、系统、设备及介质。
背景技术:
1、近年来,空间转录组学、空间表观组学和空间蛋白组学等测序技术的迅猛发展,使得研究人员能够从同一组织切片中并行获取基因表达、染色质可及性、蛋白质丰度等多分子层级的特征谱,并保留细胞的原位空间信息。代表性技术如dbit-seq、misar-seq和spatial-atac-rna-seq,已广泛应用于胚胎发育、神经科学和肿瘤免疫等领域。随着空间多组学数据规模的增长,如何有效整合来自不同组学层次的异质数据,已成为充分挖掘其生物学价值的核心挑战。
2、然而,现有方法仍面临若干瓶颈:局部空间依赖性建模不足,难以准确捕获空间相邻点的局部连续性与微环境信号;跨模态语义对齐能力薄弱,不同模态在特征分布和噪声水平上差异显著,简单拼接或浅层对齐难以有效利用跨模态互补信息;对比学习中的负采样策略缺乏生物学合理性,随机采样可能将生物学相似的细胞错误视为负样本,削弱表征的判别能力;模态融合缺乏自适应性,固定融合策略无法根据空间位置动态调整各模态的贡献权重。
3、针对上述问题,已有方法仍存在局限。单细胞多组学整合工具(如seurat v4、mofa+和multivi)虽能实现跨模态对齐,但未利用空间坐标信息,难以捕捉空间依赖关系;单模态空间分析方法(如spagcn和spaceflow)虽能建模空间结构,却缺乏跨模态融合机制。专为空间多组学设计的方法中,spamultivae引入空间约束但计算成本过高;cosmos的空间建模限于线性关系;spatialglue和spami虽基于图神经网络,但其对比学习策略仍存在缺陷——模态内表征依赖随机负采样,易误判生物学相似的细胞,跨模态对齐则缺乏对空间邻近性的系统性利用。
技术实现思路
1、本发明的目的是提供相似性对比空间多组学整合方法、系统、设备及介质,通过联合跨模态与基于相似性模态内对比学习策略,构建融合空间结构与跨模态语义对齐的统一框架,实现异质多组学数据的有效整合。
2、为实现上述目的,本发明提供了相似性对比空间多组学整合方法,包括以下步骤:
3、步骤s1、对输入的两模态数据分别进行预处理,获得预处理后的两模态特征矩阵,根据各空间点的空间坐标构建k近邻空间邻接图,采用双分支图编码器分别对两模态特征矩阵进行图卷积编码,获得两模态低维嵌入矩阵;
4、步骤s2、基于两模态低维嵌入矩阵,对每个模态,将各空间点嵌入与其邻域聚合作为正样本对,基于特征相似度筛选低于阈值的节点作为负样本对,通过模态内对比学习增强各模态局部空间结构,获得两模态增强嵌入矩阵;
5、步骤s3、基于两模态低维嵌入矩阵,将同一空间位置的跨模态嵌入作为跨模态正样本对,不同空间位置的跨模态嵌入作为跨模态负样本对,通过跨模态对比学习实现两模态语义对齐,获得跨模态对齐后的两模态嵌入矩阵;
6、步骤s4、将对齐后的两模态嵌入矩阵输入注意力融合模块,自适应学习各模态权重生成联合表征;构建解码器对联合表征进行重构,获得重构后的两模态特征矩阵;将模态内对比损失、跨模态对比损失与重构损失联合优化,获得优化后的联合表征。
7、本发明还提供了相似性对比空间多组学整合系统,应用于上述的相似性对比空间多组学整合方法,包括:
8、数据预处理与图编码模块,用于对输入的两模态数据分别进行预处理获得预处理后的两模态特征矩阵,根据各空间点的空间坐标构建k近邻空间邻接图,并采用双分支图编码器分别对两模态特征矩阵进行图卷积编码,获得两模态低维嵌入矩阵;
9、模态内对比学习模块,用于基于两模态低维嵌入矩阵,对每个模态将各空间点嵌入与其邻域聚合作为正样本对,基于特征相似度筛选低于阈值的节点作为负样本对,通过模态内对比学习增强各模态局部空间结构,获得两模态增强嵌入矩阵;
10、跨模态对比学习模块,用于基于两模态低维嵌入矩阵,将同一空间位置的跨模态嵌入作为跨模态正样本对,不同空间位置的跨模态嵌入作为跨模态负样本对,通过跨模态对比学习实现两模态语义对齐,获得跨模态对齐后的两模态嵌入矩阵;
11、注意力融合与联合优化模块,用于将对齐后的两模态嵌入矩阵输入注意力融合模块自适应学习各模态权重生成联合表征,构建解码器对联合表征进行重构获得重构后的两模态特征矩阵,并将模态内对比损失、跨模态对比损失与重构损失联合优化,获得优化后的联合表征。
12、本发明还提供了一种计算机设备,包括:存储器和处理器;存储器存储有计算机程序,处理器执行计算机程序时实现上述的相似性对比空间多组学整合方法的步骤。
13、本发明还提供了一种计算机可读的存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的相似性对比空间多组学整合方法的步骤。
14、因此,本发明采用上述的相似性对比空间多组学整合方法、系统、设备及介质,有益技术效果如下:
15、(1)本发明通过模态内对比学习模块,将每个空间点的嵌入与其邻域聚合表示构建为正样本对,基于原始特征的余弦相似度筛选低于预设阈值的节点作为负样本对,避免了随机负采样将生物学相似的细胞错误视为负样本的问题,提升了表征的判别能力。
16、(2)本发明通过跨模态对比学习模块,将同一空间位置在不同模态下的嵌入构建为正样本对,不同空间位置的嵌入构建为负样本对,有效实现了跨模态语义对齐,解决了不同模态间特征分布不一致与噪声水平差异显著的问题,同时保留了各模态特有信息。
17、(3)本发明通过注意力融合模块自适应学习各模态权重并生成联合表征,使模型可根据各空间位置的特征动态分配模态贡献权重,克服了固定融合策略缺乏自适应性的缺陷。
18、(4)本发明通过联合优化模态内对比损失、跨模态对比损失与重构损失,所得表征同时具备局部空间结构保持能力、跨模态语义对齐能力和原始信息保留能力,为空间域识别与组织结构解析提供了高质量的联合表征。
1.相似性对比空间多组学整合方法,其特征在于,包括以下步骤:
2.根据权利要求1的相似性对比空间多组学整合方法,其特征在于,步骤s1包括以下步骤:
3.根据权利要求2的相似性对比空间多组学整合方法,其特征在于,步骤s2包括以下步骤:
4.根据权利要求3的相似性对比空间多组学整合方法,其特征在于,步骤s3包括以下步骤:
5.根据权利要求4所述的相似性对比空间多组学整合方法,其特征在于,步骤s4包括以下步骤:
6.根据权利要求5所述的相似性对比空间多组学整合方法,其特征在于,步骤s42中,解码器重构过程为:
7.相似性对比空间多组学整合系统,其特征在于,用于实现权利要求1-6中任一项所述的相似性对比空间多组学整合方法,包括:
8.一种计算机设备,包括:存储器和处理器;存储器存储有计算机程序,其特征在于,处理器执行计算机程序时实现权利要求1-6中任一项所述的相似性对比空间多组学整合方法的步骤。
9.一种计算机可读的存储介质,其上存储有计算机程序,其特征在于,计算机程序被处理器执行时实现权利要求1-6中任一项所述的相似性对比空间多组学整合方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com