MARC

 008260126s2025        us                              c    eng  d
■001000017359823
■00520260202105220
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566138
■035    ▼a(MiAaPQ)AAI32271797
■035    ▼a(MiAaPQ)umichrackham006457
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aKouznetsov,  Roman.
■24510▼aStatistical  Inference  for  Spatial  Transcriptomics  in  the  Age  of  Deep  Learning
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a159  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Regier,  Jeffrey.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aSingle-cell  spatial  transcriptomics  enables  the  measurement  of  gene  expression  of  individual  cells  while  simultaneously  capturing  the  spatial  positions  of  these  cells  within  a  tissue  sample.  To  utilize  these  spatial  positions  effectively,  careful  model  selection  is  required  to  ensure  conclusions  reflect  spatial  dependencies  in  the  underlying  biology.  In  this  dissertation,  we  contribute  three  novel  methodologies  that  merge  deep  learning  with  statistical  inference  for  spatial  transcriptomics  data. First,  we  attempt  to  better  predict  gene  expression  by  leveraging  the  spatial  context  included  in  spatial  transcriptomics  data.  Comparing  predictions  from  a  spatial  model  to  those  from  a  baseline  regressor  without  cell  neighborhood  information  offers  insights  into  how  expression  changes  as  a  result  of  cell-cell  communication  (CCC)  signals.  However,  to  trust  conclusions  reached  from  such  a  paired  modeling  framework,  we  need  to  ensure  that  the  baseline  version  of  a  model  provides  a  valid  non-spatial  reference  point.  To  this  end,  we  develop  a  graph  convolutional  network  (GCN)  that  uses  graphs  defined  by  cellular  positions  to  predict  gene  expression.  By  encoding  tissue  samples  as  a  graph,  in  which  nodes  represent  cells  and  edges  indicate  spatial  proximity  between  cells,  we  can  leverage  the  full  spatial  layout  and  gene  expression  profile  of  the  tissue.  We  find  a  marked  performance  gap  between  spatially  aware  and  spatially  ignorant  models,  highlighting  the  GCN's  ability  to  model  spatial  effects  in  both  real  and  semi-synthetic  settings.  These  results  underscore  the  importance  of  model  structure  in  spatial  inference  because  a  spatially  ignorant  version  of  GCNs  can  make  better  predictions  than  spatially  aware  versions  of  previous  methods.Second,  we  study  a  clustering  task  for  spatial  transcriptomics  data  through  a  Bayesian  framework.  A  central  challenge  in  spatial  transcriptomics  is  to  identify  distinct  cell  communities  that  not  only  reflect  transcriptional  heterogeneity  but  also  preserve  spatial  coherence  across  tissue.  These  clusters  often  represent  biological  components  such  as  cortical  layers,  tissue  micro-environments,  or  pathological  regions,  whose  spatial  organization  is  critical  for  interpreting  tissue  structure  and  function.  However,  spatial  transcriptomics  data  are  collected  at  varying  resolutions;  as  such,  any  spatial  unit  indexed  by  the  data  may  contain  multiple  communities  of  varying  memberships.  Many  exact  Bayesian  approaches  model  hard  cluster  assignments  in  their  models,  which  limits  their  adaptability  to  datasets  of  varying  resolutions.  To  address  this  limitation,  we  introduce  a  stochastic  variational  inference  (SVI)  method  designed  to  learn  posterior  spot  cluster  distributions  that  are  both  spatially  coherent  and  biologically  interpretable.  Our  approach  enhances  clustering  accuracy  by  incorporating  spatial  relationships  through  carefully  designed  prior  distributions,  allowing  it  to  balance  the  trade-off  between  smoothness  and  expression  differences.  Furthermore,  the  method  is  scalable  and  effective  across  data  resolutions.  As  spot  data  scales  polynomially  with  finer  resolution,  SVI  becomes  a  more  favorable  approach.  It  is  more  computationally  efficient  than  previous  methods  that  rely  on  posterior  sampling  techniques,  such  as  Markov  Chain  Monte  Carlo  (MCMC),  which  can  be  prohibitively  expensive  to  retrain.  This  method  groups  tissues  into  more  contiguous  regions  compared  to  previous  methods  while  preserving  expression  heterogeneity  consistent  with  earlier  studies,  offering  a  competitive  alternative  to  existing  approaches.Third,  to  expand  the  work  of  Bayesian  clustering  with  SVI,  we  leverage  normalizing  flows  as  the  approximate  posterior  distributions  for  variational  inference.  Normalizing  flows  transform  simple  base  distributions  (e.g.,  Gaussian)  into  more  expressive  ones  by  stacking  L  invertible  transformations  based  on  the  change-of-variables  formula.  By  using  normalizing  flows  instead  of  standard  choices  like  a  mean-field  or  full-covariance  Gaussian  as  the  approximate  posterior,  we  can  model  more  flexible,  multi-modal  posteriors  over  soft  cluster  assignments  in  a  way  that  simpler  variational  families  cannot  express.  We  demonstrate  that  the  posteriors  learned  by  these  normalizing  flows  accurately  recover  cluster  membership  compositions,  guided  by  prior  distributions  that  encode  spatial  dependencies.
■590    ▼aSchool  code:  0127.
■650  4▼aCellular  biology
■650  4▼aStatistics
■650  4▼aComputer  science
■650  4▼aBioinformatics
■653    ▼aSpatial  transcriptomics
■653    ▼aGraph  convolutional  network
■653    ▼aPathological  regions
■653    ▼aStochastic  variational  inference
■653    ▼aBayesian  clustering
■690    ▼a0463
■690    ▼a0379
■690    ▼a0984
■690    ▼a0715
■71020▼aUniversity  of  Michigan▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359823▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서