山东大学的研究团队通过引入空间图傅里叶变换（SpaGFT），将图信号处理应用于各种空间组学分析平台，以生成可解释的表示。这种表示支持空间可变基因识别并改进基因表达推断，在分析人类和小鼠空间转录组数据方面优于现有工具，效率是现有工具的百倍。此外，这种表示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%。相关研究成果于2024年8月29日发表在《自然·通讯》期刊上。

现有基于图的机器学习方法存在“黑箱”问题，需要更通用的图信号表示框架来揭示复杂关系。研究团队提出利用分析特征表示方法——SpaGFT，用编码平滑图信号来表示组织和细胞内的生物过程。通过SpaGFT将图形信号处理技术和空间组学数据连接起来，支持各种下游分析并促进有洞察力的生物学发现。SpaGFT框架提供了图信号转换和七个下游任务：可缩放矢量图形（SVG）识别、基因表达归纳、蛋白质信号去噪、空间域表征、细胞类型注释、细胞斑点比对和亚细胞界标推断。

信息来源：

https://www.nature.com/articles/s41467-024-51590-5

https://mp.weixin.qq.com/s/rrvuUiTvFbMsRJArDFr8TQ