正文：
近日，山东大学的研究团队在《Nature Communications》子刊上发表了题为“Graph Fourier transform for spatial omics representation and analyses of complex organs”的研究论文。该研究团队引入了空间图傅里叶变换（Spatial Graph Fourier Transform，SpaGFT），将图信号处理应用于空间组学分析平台，以生成可解释的表示。这一新方法在分析人类和小鼠空间转录组数据方面表现出色，效率是现有工具的百倍。
空间组学技术以细胞和亚细胞分辨率解析复杂器官的功能组件。传统的空间组学分析方法在处理复杂器官时，存在效率低下、难以解释等问题。山东大学的研究团队提出的SpaGFT方法，通过引入图信号处理技术，将空间组学数据转化为可解释的表示，有效提高了分析效率。
SpaGFT方法在识别SVG（空间可变基因）方面表现出色，能够识别人类淋巴结Visium数据中B细胞成熟的免疫区域，并使用内部人类扁桃体CODEX数据表征次级滤泡的变化。此外，SpaGFT还可以无缝集成到其他机器学习框架中，将空间域识别、细胞类型注释和亚细胞特征推断的准确性提高多达40%。
该研究的主要成果包括：
- SpaGFT方法在识别SVG方面表现优于其他工具，效率是其他工具的百倍；
- SpaGFT能够有效提高空间组学数据的分析效率，为解析复杂器官提供了一种可解释的图形表示方法；
- SpaGFT方法可以无缝集成到其他机器学习框架中，提高空间域识别、细胞类型注释和亚细胞特征推断的准确性。
值得注意的是，SpaGFT在检测高分辨率空间蛋白质组学数据中的稀有亚细胞器方面也表现出色，为探索组织生物学和功能提供了一种新的视角。
尽管SpaGFT方法在效率、准确性和可解释性方面取得了显著成果，但仍存在一些挑战。例如，SpaGFT在频域中主要关注低频信号，对中高频信号的讨论不足。此外，SpaGFT在处理点图和FTU拓扑改变时，可能存在一定困难。
总之，山东大学研究团队提出的SpaGFT方法为空间组学建模中可解释的人工智能带来了新的视角，有望在解析复杂器官、揭示组织生物学和功能方面发挥重要作用。该研究成果为空间组学数据分析领域提供了新的思路和方法，具有广泛的应用前景。
相关报道：https://www.nature.com/articles/s41467-024-38548-0
Views: 0