DiST：自监督张量学习识别空间转录组空间域

作者团队提出 DiST 自监督张量学习框架，用于空间转录组数据的空间域识别，针对数据稀疏和基于图的方法在组织边界处过度平滑的问题。其做法是把全局语境中语义相似的自我网络堆叠成高阶张量以保留局部异质性，再用低秩与稀疏分解分离连贯成分与测序丢失、技术伪影带来的稀疏偏差。 作者称，在五个基准数据集上 DiST 的空间聚类表现优于代表性方法；在人类乳腺癌数据上的下游验证显示其能识别有生物学意义的分子特征和功能异质性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。