每周札记
返回目录
公开知识笔记 · 不进入目录

Boundary-Aware Clustering of Spatial Transcriptomics Data Via Fourier Feature Mapping and Dynamic Self-Supervision

公开知识笔记

Boundary-Aware Clustering of Spatial Transcriptomics Data Via Fourier Feature Mapping and Dynamic Self-Supervision（精读）

基本信息

项目 内容
作者 Bohua Li, Yanran Zhu, Xiao Zheng, Hengjian Tong, Yuanyuan Liu, Chang Tang, Xinwang Liu, Kunlun He
年份 2026
来源 IEEE Transactions on Computational Biology and Bioinformatics（TCBB）
主题 空间转录组数据的空间域（spatial domain）识别 / 聚类
链接 https://ieeexplore.ieee.org/document/11598936/（DOI: 10.1109/TCBBIO.2026.3710630）
代码 https://github.com/YunChuAn8/FPS-MGCN（仅 demo code，不完整）

一句话摘要

用「傅里叶正弦余弦特征映射」给 GCN 注入高频边界敏感通道，再用「动态伪标签自监督」细化边界，解决空间转录组聚类的边界模糊问题。

📚 零基础概念导读

本论文涉及以下概念，零基础读者可点击跳转查看降维解释（存于 note/ 目录）：

概念 一句话解释
空间转录组与空间域 能同时测「基因表达 + 空间位置」的技术，本文要划分的组织功能区
图卷积网络GCN 在关系网（图）上聚合邻居信息的神经网络
低通滤波与高频信号 GCN 本质是「磨皮滤镜」，看不清组织边界这种高频突变
傅里叶特征映射 本文核心创新，给模型装「对比度增强」滤镜
多视图学习与多视图聚类 同一对象多个角度描述再融合
注意力机制 自动给不同分支加权，重要的权重大
自监督学习与伪标签 没有标签时「自己出题自己判」
ZINB与负二项分布 适合基因表达这种「计数 + 大量零」的统计模型
聚类评价指标 ARI / NMI / Purity 怎么给聚类打分

领域全貌见 空间转录组聚类 + 多视图聚类 文献综述。

研究对象

  • 研究对象：空间转录组（Spatial Transcriptomics, ST）数据中的空间域识别——即把组织切片按基因表达模式划分成对应解剖/功能单元的区域。
  • 核心问题：ST 数据存在空间异质性，基因表达的空间梯度在组织边界处不连续，传统 GCN 因 低通滤波 擅长平滑低频信号、无法逼近高频分量，导致细粒度结构难以划分、边界模糊。
  • 研究情境/范围：测序类 ST 平台（10x Visium 等）；数据集 DLPFC（人类背外侧前额叶皮层，12 个切片）+ 4 个跨物种/跨组织数据集。

研究方法

方法概述

  • 方法类型：实证（深度学习模型 + 基准数据集对比实验）
  • 总体思路：多视图图卷积编码器，用「傅里叶特征映射」补足 GCN 的高频盲区，用「动态伪标签自监督」提供无监督聚类的渐进语义约束，最后用 ZINB 解码器重建表达以保留生物学意义。
  • 为什么用这种方法：标准 GCN 的线性消息传递本质是低通滤波，天然抹平边界处基因表达的剧烈非线性跳变；傅里叶正弦余弦映射（借鉴 NeRF 的 sinusoidal Fourier feature）能构造高频特征通道，让后续线性层「看得见」高频梯度。无监督聚类没有标签，靠置信度过滤的伪标签 + EMA 时序集成来稳定训练、锐化决策边界。

方法分析

  • 分析单位：spot（空间转录组的空间条形码位点），每个 spot 是一个 N×M 表达矩阵里的一行。
  • 关键变量/概念：
    • 输入 X（基因表达矩阵）+ 空间坐标
    • 两个图：空间图 Aspatial（欧氏距离 ≤ r=550 连边）、特征图 Agene（余弦相似度 KNN 图）
    • 傅里叶映射特征 Xfourier = [cos(απX), sin(απX)] ∈ R^{N×2M}，超参 αfourier 控制对比敏感度
    • 聚类标签（K 个空间域）
  • 识别/推断逻辑：多视图 GCN 编码 → 注意力加权融合 → 潜在嵌入 H → K-means 得到空间域；伪标签只在训练期做自监督，不参与最终标签。
  • 具体步骤：
    1. 预处理：SCANPY 过滤低质量基因 → 选 top 3000 高变基因（HVG）→ 归一化 Xij = count/Σcount × 10000。
    2. 图构建：空间图（距离阈值 r）+ 特征图（余弦 KNN）。
    3. 傅里叶特征映射：每个表达值 xij → [cos(αfourier·π·xij), sin(αfourier·π·xij)]，诱导距离 ∥F(x1)−F(x2)∥² = 2sin²(απ(x1−x2)/2)，小差异时 ≈ απ|x1−x2|。
    4. 多视图 GCN 编码器（5 分支）：
      • Spatial-GCN（在 Aspatial 上聚合局部上下文）
      • Feature-GCN（在 Agene 上学习表达特征 + 插补缺失值）
      • Fourier-GCN（把 Xfourier 在 Aspatial 上传播，学习边界信号的空间组织——核心创新）
      • Co-GCN（共享权重 Wc 同时处理空间/特征图，捕获共享特征，Hc=(Hsc+Hfc)/2）
      • 注意力融合：ac = softmax(Wco·tanh(WHc+b))，最终 H = F(as·Hs + af·Hf + ac·Hc + aft·Hft)
    5. 动态伪标签自监督：warmup 后每 U 个 epoch 对 H 跑 K-means → 置信度过滤（di < τp，p 百分位）→ one-hot 伪标签 → EMA 时序集成 ŷ(t) = γt·ŷ(t−1) + (1−γt)·y(t)（γt = min(0.9, 0.5 + 0.4(t−Twarm)/(Tmax−Twarm))）。
    6. ZINB 解码重建：p(xij|πij,μij,θj) = πij·δ0(xij) + (1−πij)·NB(xij|μij,θj)，建模生物变异 + 过量零。
    7. 空间正则化：鼓励空间邻居嵌入接近（Lreg，防过度碎片化）。
    8. 总损失：L = α·Lzinb + β·Lcon + γ·Lreg + δ·Lpse（ZINB 重建 + 一致性 + 空间正则 + 伪标签）。

数据来源

  • 数据类型：公开空间转录组数据（10x Visium）
  • 样本来源：DLPFC（人类背外侧前额叶皮层，12 个切片 151507–151676，含 manual annotation 的层结构标签）+ 4 个额外数据集 HBC（人乳腺癌）、AMB（小鼠脑）、ME（小鼠胚胎）、MPVC（小鼠前额叶皮层）
  • 时间范围：公开数据集（无新增时间维度）
  • 样本量/案例数：DLPFC 12 个切片，每个切片约数千个 spot
  • 数据局限：DLPFC 数据需从 spatialLIBD / 10x 官网下载，代码仓库未附带数据

研究结论

  • 主要发现 1：傅里叶特征映射是边界感知的关键，能显式构造高频通道增强对组织边界等高频空间梯度的敏感度。
  • 原文引用 1：

"we introduce a Fourier sine–cosine feature mapping that explicitly constructs high-frequency feature channels to enhance sensitivity to high-frequency spatial gradients such as tissue boundaries."

  • 主要发现 2：模型通过多视图 GCN 编码器整合原始表达、傅里叶映射特征、空间邻接信息，注意力自适应融合。
  • 原文引用 2：

"The model integrates raw gene expression, Fourier-mapped features, and spatial adjacency information through a multi-view GCN encoder, employing an attention mechanism for adaptive fusion."

  • 主要发现 3：动态伪标签自监督提供渐进语义约束，平滑噪声、增强边界区域识别。
  • 原文引用 3：

"a dynamic pseudo-label self-supervision strategy is further designed, providing progressive semantic constraints that smooth noise interference and enhance recognition in spatial boundary regions."

  • 主要发现 4：实验全面超越 SOTA。DLPFC 12 切片 ARI 中位数 0.589（对比最强 baseline Spatial-MGCN 0.564、STMGAMF 0.557），NMI 0.676、FMI 0.682 均最优；对比 8 个方法（SpaGCN/CCST/STAGATE/GraphST/Spatial-MGCN/SpaCAE/DMGCN/STMGAMF）。
  • 原文引用 4：

"Extensive experimental results demonstrate that the proposed FPS-MGCN identifies critical fine-grained structures difficult to resolve by traditional methods and outperforms other state-of-the-art methods in spatial domain identification."

  • 主要发现 5（局限）：需加载全邻接矩阵，可扩展性受限。
  • 原文引用 5：

"Like many graph-based methods, FPS-MGCN requires loading the full adjacency matrix, posing scalability challenges. Future work will explore graph sampling or mini-batch strategies to improve memory efficiency."

我的判断

  • 最有启发的点：用「傅里叶特征映射」这一招补 GCN 的高频盲区，思路巧妙且通用——它本质是给模型一个「对表达值突变敏感」的显式特征通道，可直接平移到任何需要刻画边界/突变的多视图图模型里。
  • 可借鉴的方法：① 傅里叶正弦余弦映射（公式 5-7 完整可复现，超参就一个 αfourier）；② 置信度过滤（百分位阈值）+ EMA 时序集成的伪标签自监督，比直接 K-means 打伪标签稳；③ Co-GCN 共享权重 + 一致性损失 Lcon = ∥HscHscᵀ − HfcHfcᵀ∥² 捕获跨视图共享信息。
  • 可继续追问的问题：① 傅里叶映射到底对哪类边界最有效（层边界 vs 肿瘤微环境边界）？② αfourier 如何取值、敏感度如何？③ 伪标签自监督和对比学习（如 MVCLST 那类多视图对比）相比优劣？
  • 与我的研究关联：这是「多视图聚类 × 空间组学」的直接落地案例。适合作为研一入门的第一个复现对象——但要先解决代码不完整的问题（缺 utils.py/config.py/train.py，详见代码复现说明）。

代码复现说明（附：资源清单）

  • 仓库：https://github.com/YunChuAn8/FPS-MGCN（作者 YunChuAn8，即通讯作者之一）
  • 状态：不完整（demo code）。论文摘要明确写 "demo code is publicly available"。
    • 有：FPS-MGCN/models.py（FPS_MGCN 类，5 分支 GCN 架构）、FPS-MGCN/layers.py（GraphConvolution）、FPS-MGCN/DLPFC_generate_data.py（数据预处理 + 图构建）、FPS-MGCN/DLPFC_denoising.py（可视化）、main.py（PyCharm 默认模板，非训练入口）
    • 缺：utils.py（含 fourier_transform、features_construct_graph、spatial_construct_graph1 三个核心函数）、config.py + config/DLPFC.ini（配置）、train.py（训练脚本）、data/DLPFC/（数据集）
  • 跑通需要补齐：① 环境（从 import 推断：torch、scanpy、anndata、numpy、pandas、scikit-learn）；② DLPFC 数据（spatialLIBD / 10x 下载）；③ 自己补写 utils.py 的 fourier_transform 等函数（公式论文里有）；④ 补 train.py + 损失函数（论文公式 26 有总损失）。
  • 替代建议：可先跑同类完整开源的多视图空间聚类方法作对照（如 MVCLST、STMVGAE、Spatial-MGCN），等作者放出完整代码或直接邮件向作者要 utils.py/train.py。

被以下札记引用

2026-W33