[論文レビュー] Deep Learning in Spatially Resolved Transcriptomics: A Comprehensive Technical View

Roxana Zahedi Nasab, Mohammad Reza Eftekhariyan Ghamsari+7 more|arXiv (Cornell University)|Oct 10, 2022

Single-cell and spatial transcriptomics被引用数 9

ひとこと要約

本論文は、空間的分解能を持つトランスクリプトミクス（SRT）における深層学習手法について包括的な技術的レビューを提供し、21の最先端モデルを6つの分析タスクに体系的に分類している—空間的クラスタリング、空間的に可変な遺伝子の同定、細胞型のデコンボリューション、遺伝子発現の補完、細胞間相互作用の検出、空間的ドメインマッピング。これらのモデルのアーキテクチャ、強み、限界、およびSRTデータセット上でのパフォーマンスを評価し、統一されたベンチマークを提供するとともに、正規化、バッチ効果補正、マルチモーダル統合に関する未解決の課題を強調している。

ABSTRACT

Spatially resolved transcriptomics (SRT) has evolved rapidly through various technologies, enabling scientists to investigate both morphological contexts and gene expression profiling at single-cell resolution in parallel. SRT data are complex and multi-modal, comprising gene expression matrices, spatial information, and often high-resolution histology images. Because of this complexity and multi-modality, sophisticated computational algorithms are required to accurately analyze SRT data. Most efforts in this domain have been made to utilize conventional machine learning and statistical approaches, exhibiting sub-optimal results due to the complicated nature of SRT datasets. To address these shortcomings, researchers have recently employed deep learning algorithms including various state-of-the-art methods mainly in spatial clustering, spatially variable gene identification, and alignment. While great progress has been made in developing deep learning-based models for SRT data analysis, further improvement is still needed to create more biologically aware models that consider aspects such as phylogeny-aware clustering or the analysis of small histology image patches. Additionally, strategies for batch effect removal, normalization, and handling overdispersion and zero inflation patterns of gene expression are still needed in the analysis of SRT data using deep learning methods. In this paper, we provide a comprehensive overview of these deep learning methods, including their strengths and limitations. We also highlight new frontiers, current challenges, limitations, and open questions in this field. Also, we provide a comprehensive list of all available SRT databases that can be used as an extensive resource for future studies.

研究の動機と目的

• 空間的分解能を持つトランスクリプトミクス（SRT）データに応用された深層学習手法について、体系的な技術的概要を提供すること。
• 空間的クラスタリング、遺伝子発現の補完、細胞型のデコンボリューションなど、分析タスクに基づいて21の深層学習モデルを分類・比較すること。
• SRT解析における従来の機械学習および統計的手法と比較して、深層学習モデルの強みと限界を評価すること。
• SRTデータ解析における未解決の課題、特にバッチ効果補正、正規化、過分散、ゼロインフレーション処理に関する課題を特定すること。
• 将来の研究およびモデルのベンチマークに役立てるために、公開可能なSRTデータベースを包括的にまとめること。

提案手法

• SRT関連研究に発表された21の深層学習モデルの体系的文献レビューと分類。
• モデルを6つの主要な分析タスクに分類：空間的クラスタリング、空間的に可変な遺伝子（SVG）の同定、細胞型のデコンボリューション、遺伝子発現の補完、細胞間相互作用の検出、空間的ドメインマッピング。
• CNN、GCN、VAE、DNNなどのモデルアーキテクチャの分析。空間的データ、ヒストロロジー画像、遺伝子発現データの使用に重点を置く。
• ARI、F1スコア、AUC、再構成誤差などの標準化された指標を用いて、報告されたパフォーマンスを評価。
• 補足資料に、キーモデル（例：CNNTLにおけるトリプレット損失、conSTにおける対照学習）の数式を統合。
• アテンション機構、オートエンコーダー、グラフベース学習を用いて、遺伝子発現、ヒストロロジー画像、空間座標のマルチモーダルデータ統合を実施。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、複雑でマルチモーダルなSRTデータを分析する際、従来の機械学習および統計的手法に比べてどのように向上しているか？
• RQ2 空間的トランスクリプトミクスタスクに用いられる深層学習モデルの間で、主なアーキテクチャ的・手法的差異は何か？
• RQ3 現在の深層学習モデルは、系統発生、組織形態、空間的近接関係といった生物学的前提をどの程度反映しているか？
• RQ4 SRTにおける既存の深層学習アプローチの主な限界は何か。特に、データ正規化、バッチ効果補正、ゼロインフレートド遺伝子発現の処理に関して。
• RQ5 SRTの深層学習フレームワークにおいて、ヒストロロジー画像、空間座標、遺伝子発現データのマルチモーダル統合をどのように最適化できるか？

主な発見

• 空間的コンテキストとヒストロロジー画像を活用することで、深層学習モデルは空間的クラスタリング、SVG検出、細胞型のデコンボリューションなどのタスクで、従来の機械学習および統計的手法を顕著に上回っている。
• conSTやXFuseといったモデルは、それぞれ対照学習と変分オートエンコーダーを用いることで、空間的ドメイン検出および遺伝子発現補完で最先端のパフォーマンスを示している。
• 進展は見られるものの、多くのモデルが事前学習済みImageNet重みに依存しているか、ドメイン特化した事前学習が不足しているため、SRTデータへの一般化能が制限されている。
• Tangram や JSTA のようなモデルのパフォーマンスは、アノテート済みの解剖的テンプレート（例：CCF）の可用性に強く依存しており、非マウス脳組織への適用性が制限されている。
• 技術的アーティファクト、特に過分散やゼロインフレーション処理に関する大きなギャップが残っており、これらの特徴を損失関数に明示的に組み込んでいる深層学習モデルは少数にとどまっている。
• 本論文は、10x Visium、MERFISH、seqFISH、Stereo-seq、Slide-seq を含む21のSRTデータベースおよびデータセットの包括的リストを編集し、将来的なモデルトレーニングおよびベンチマークに不可欠なリソースを提供している。