stEnTrans: Transformer-based deep learning for spatial transcriptomics enhancement

细胞在组织和器官中的空间位置对其特定功能的表现至关重要。空间转录组学技术能够在保留空间信息的同时全面测量组织中的基因表达模式。然而，目前流行的空间转录组学技术要么具有较浅的测序深度，要么具有低分辨率。本文提出了一种基于Transformer架构的深度学习方法stEnTrans，它可以为未测量区域或意外丢失的区域提供全面的基因表达预测，并增强原始和输入点的基因表达。利用自监督学习方法，stEnTrans在不需要额外数据的情况下，对基因表达谱建立代理任务，挖掘组织的内在特征作为监督信息。我们在六个数据集上评估了stEnTrans，结果表明，与其他深度学习和传统插值方法相比，它在提高点分辨率和预测未测量区域的基因表达方面表现优异。此外，我们的方法还可以帮助发现空间转录组学中的空间模式，并丰富更多生物学上重要的通路。我们的源代码可在https://github.com/shuailinxue/stEnTrans上获得。

论文旨在解决当前流行的空间转录组学技术中存在的浅层测序深度或低分辨率的问题，提出一种基于Transformer架构的深度学习方法stEnTrans，以提供对未测量区域或意外丢失区域的全面基因表达预测，并增强原始和输入点的基因表达。

stEnTrans采用自监督学习方法，在基因表达谱上建立代理任务，利用组织的内在特征作为监督信息，而无需额外数据，从而提高空间转录组学技术的分辨率和预测基因表达的准确性。

论文在六个数据集上评估了stEnTrans的性能，结果表明，与其他深度学习和传统插值方法相比，stEnTrans在提高点的分辨率和预测未测量区域的基因表达方面具有优越性。此外，该方法还可以帮助发现空间转录组学中的空间模式，并丰富更多的生物学意义路径。论文的源代码已经开源。

最近的相关研究包括使用深度学习方法进行空间基因表达预测的研究，如DeepCount、SpatialDE等。