热烈祝贺本组的科研论文被CCF B类国际会议IEEE BIBM 2024接收（图）
近日，本人以第一作者身份向IEEE International Conference on Bioinformatics and Biomedicine (BIBM) 2024 第一轮投稿的文章被接收，论文题目为 “stGCLF: a versatile deep graph contrastive learning framework for spatial transcriptomics analysis “。湖南科技大学为第一完成单位，中南大学计算机学院李敏教授为通讯作者，本组硕士研究生余俊楠参与设计了核心实验。
IEEE 生物信息学和生物医学国际会议 (BIBM) 已成为生物信息学和生物医学领域首屈一指的研究会议。 IEEE BIBM 2024将于2024年12月3日至6日在葡萄牙里斯本举行。IEEE BIBM 2024 为传播生物信息学和健康信息学的最新研究提供了一个顶尖的论坛。它汇集了来自计算机科学、生物学、化学、医学、数学和统计学的学术和工业科学家。该会议被CCF收录为B类会议。
空间转录组学（ST）的快速发展彻底改变了对空间异质性的研究，并增加了对有效表征空间领域的全面方法的需求。作为ST数据分析的先决条件，空间领域的表征是下游分析和生物解释的关键步骤。在该文中，我们提出了一种用于空间转录组学的深度图对比学习框架（stGCLF），通过图卷积网络利用对比学习来有效学习各个点之间的特征，解决了跨平台泛化能力差的问题。通过交替进行属性和拓扑去噪，我们的方法降低了ST数据中的噪音。本文展示了stGCLF 在空间转录组学的领域识别、轨迹推断、多切片整合和类型注释方面的有效性。
CC BY-NC-SA 4.0
本文由 Xiang CHEN 陈向 创作，采用 CC BY-NC-SA 4.0 协议，首发于 https://chenxofhit.xyz 个人网站。
您可以自由地：
- 分享 — 在任何媒介以任何形式复制、发行本作品
- 演绎 — 修改、转换或以本作品为基础进行创作
惟须遵守下列条件：
- 署名 — 您必须给出适当的署名，提供指向本许可协议的链接，同时标明是否（对原始作品）作了修改。您可以用任何合理的方式来署名，但是不得以任何方式暗示许可人为您或您的使用背书。
- 非商业性使用 — 您不得将本作品用于商业目的。
- 相同方式共享 — 如果您再混合、转换或者基于本作品进行创作，您必须基于与原先许可协议相同的许可协议分发您贡献的作品。
商业使用请联系：[email protected]