[发明专利]基于图傅里叶变换的空间可变基因识别与分析系统

说明书

本发明涉及空间转录组学技术领域，公开了基于图傅里叶变换的空间可变基因识别与分析系统，基于待识别的基因表达矩阵生成无向图；获取无向图对应的邻接矩阵和度矩阵；基于两个矩阵确定拉普拉斯矩阵；对矩阵进行谱分解得到特征值和特征向量；将特征值作为频率，将特征向量作为傅里叶模；采用图傅里叶变换将当前基因在每个位点的表达值从空间域转换到谱域，得到谱域信号；基于特征值和谱域信号计算出待识别基因表达矩阵在空间域分布的随机性得分；根据随机性得分确定出空间可变基因。对空间可变基因进行聚类将每一个聚类簇作为识别的组织模块输出；对空间可变基因的谱域信号进行增强；对增强后的谱域信号进行傅里叶逆变换得到增强的基因表达信号。

技术领域

本发明涉及空间转录组学技术领域，特别是涉及基于图傅里叶变换的空间可变基因识别与分析系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

相较于单细胞转录组学数据，空间转录组学技术（例如 Visium，ST，slide-seq等）不需要解离，从而保留了测序位点的空间结构，这些测序位点（spot）包含两种信息：1.基因表达信息，2.空间坐标信息。这项技术为不同分辨率(亚细胞、细胞和微细胞群)的分子组织生物学研究提供了强大工具。在空间转录组学的研究和应用中，一个基础且重要的任务是如何融合基因表达信息和spot的空间位置，进而完成生物发现。

识别空间转录组数据中的空间可变基因（Spatially variable gene， SVG）是空间转录组分析中最基础且重要的一步，它的目的是识别出具有特定空间表达模式的基因，称为空间可变基因，即这些基因的表达在空间各位置上并不是相互独立的，而是与空间位置有密切关联，表现为空间临近的位置有相似的基因表达。

现有的空间可变基因预测方法，主要是基于统计框架(如SpatialDE)或图神经网络(如SpaGCN)开发的。虽然这些方法也具有一定的SVG检测性能，具有严格的统计评价，为不同的生物系统提供了有价值的见解，但仍存在两个局限性，包括：

1.这些由前提假设驱动的方法可以有效识别某些明确的模式(如径向热点、曲线带或梯度条纹)，但它们在不规则模式下对异质性肿瘤组织的识别能力出现下降；

2.现有的大多数工具都具有较高的SVG识别精度，但牺牲了可拓展性，即难以应用到大规模数据集。

Regev和Theis将组织模块(Tisue module，TM)定义为包含周期性细胞群落并在不同部位执行特定功能的结构区域，是研究分子组织生物学中关于健康或患病空间转录组数据中分子组成和功能的关键概念。然而，由于组织模块的分子特征和空间结构都是未知的，组织模块的识别还没有一个严格的识别方法。

发明内容

为了解决现有技术的不足，本发明提供了基于图傅里叶变换的空间可变基因识别与分析系统；

基于图傅里叶变换的空间可变基因识别与分析系统，包括：

获取模块，其被配置为：获取待识别的基因表达矩阵；

预处理模块，其被配置为：基于待识别的基因表达矩阵，生成无向图；获取无向图对应的邻接矩阵；获取无向图对应的度矩阵；基于邻接矩阵和度矩阵，确定无向图的拉普拉斯矩阵；对拉普拉斯矩阵进行谱分解，得到拉普拉斯矩阵的特征值和特征值对应的特征向量；

转换模块，其被配置为：将特征值作为图傅里叶变换中的频率，将特征值对应的特征向量作为图傅里叶变换中的傅里叶模；采用图傅里叶变换，将当前基因在每个位点的表达值从空间域转换到谱域，得到谱域信号；

空间可变基因识别模块，其被配置为：基于拉普拉斯矩阵的特征值和谱域信号，计算出待识别基因表达矩阵在空间域分布的随机性得分；根据随机性得分，确定出空间可变基因。

与现有技术相比，本发明的有益效果是：