STARK denoises spatial transcriptomics images via adaptive regularization
STARK：用自适应正则化对空间转录组图像去噪AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要内容为空间转录组图像去噪的核岭回归与图正则化方法，属于生物统计与统计学习方法，与所列微观、宏观、金融计量细分领域均无直接文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
STARK：用自适应正则化对空间转录组图像去噪
- 研究问题
- 摘要称，研究如何在超低测序深度下对空间转录组图像去噪，以更好识别细胞身份，并实现基因表达插值。
- 方法与思路
- 作者提出 STARK，在核岭回归上加入增量自适应的图拉普拉斯正则项；每轮先用固定图做核岭回归更新图像，再据新图像更新图，并用修正表示定理把无穷维问题化为有限维，以交替最小化求解。
- 材料陈述的贡献
- 摘要称该方法优化一个块凸目标，子问题有闭式解，并证明迭代收敛到非凸目标的稳定点；统计上稳定点以 O(R^{-1/2}) 速率收敛到真值，R 为读数；真实数据上标签迁移准确率优于所比较方法。
- 阅读关注点
- 应核对修正表示定理的成立条件、交替最小化的块凸结构与收敛证明细节、O(R^{-1/2}) 速率所依赖的假设，以及标签迁移准确率的实验设置与比较方法选择。
- 阅读边界
- 仅凭摘要无法判断识别假设是否合理、定理证明是否完整、数值结果是否可复现，也未说明数据规模与基线细节；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We present an approach to denoising spatial transcriptomics images that is particularly effective for uncovering cell identities in the regime of ultra-low sequencing depths, and also allows for interpolation of gene expression. The method -- Spatial Transcriptomics via Adaptive Regularization and Kernels (STARK) -- augments kernel ridge regression with an incrementally adaptive graph Laplacian regularizer. In each iteration, we (1) perform kernel ridge regression with a fixed graph to update the image, and (2) update the graph based on the new image. The kernel ridge regression step involves reducing the infinite dimensional problem on a space of images to finite dimensions via a modified representer theorem. Starting with a purely spatial graph, and updating it as we improve our image makes the graph more robust to noise in low sequencing depth regimes. We show that the aforementioned approach optimizes a block-convex objective through an alternating minimization scheme wherein the sub-problems have closed form expressions that are easily computed. This perspective allows us to prove convergence of the iterates to a stationary point of this non-convex objective. Statistically, such stationary points converge to the ground truth with rate $\mathcal{O}(R^{-1/2})$ where $R$ is the number of reads. In numerical experiments on real spatial transcriptomics data, the denoising performance of STARK, evaluated in terms of label transfer accuracy, shows consistent improvement over the competing methods tested.