Graph neural networks learn emergent tissue properties from spatial molecular profiles
Rattachement africain : de, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Tissue phenotypes, such as metabolic states, inflammation, and tumor properties, emerge from both molecular states and spatial cell organization. Spatial molecular assays provide an unbiased view of tissue architecture, enabling phenotype prediction. Graph neural networks (GNNs) offer a natural framework for analyzing spatial proteomics by integrating expression profiles with structure. We apply GNNs to classify tissue phenotypes using spatial cell patterns. We show that for relatively simple classification tasks, such as tumor grading in breast cancer, incorporating spatial context does not significantly improve predictive performance over models trained on single-cell or pseudobulk representations. However, GNNs capture meaningful spatial features, retaining prognostic signals beyond tumor labels, highlighting tumor-grade-specific cell type interactions, and uncovering complex immune infiltration patterns in colorectal cancer not detectable with traditional approaches. These findings suggest that while spatial dependencies may not always enhance classification performance in small datasets, GNNs remain valuable tools for characterizing tissue organization and interactions.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Graph neural networks learn emergent tissue properties from spatial molecular profiles
- Date Crossref
- 25/09/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Helmholtz Munich pays non établi dans la noticeStructure de recherche
-
Ludwig-Maximilians-Universität München pays non établi dans la noticeUniversité ou école supérieure
-
Technical University of Munich Department of Mathematics pays non établi dans la noticeUniversité ou école supérieure
-
Institut für Schlaganfall- und Demenzforschung pays non établi dans la noticeUniversité ou école supérieure
-
Broad Institute pays non établi dans la noticeOrganisation à but non lucratif
-
Isotopen Technologien München (Germany) pays non établi dans la noticeEntreprise
-
Graduate School of Systemic Neurosciences pays non établi dans la noticeUniversité ou école supérieure
-
Institute for Tissue Engineering and Regenerative Medicine pays non établi dans la noticeStructure de recherche
-
Institute of Computational Biology pays non établi dans la noticeStructure de recherche
-
TUM School of Life Sciences Weihenstephan pays non établi dans la noticeUniversité ou école supérieure
-
Institute for Stroke and Dementia Research pays non établi dans la noticeStructure de recherche
Helmholtz Munich, Ludwig-Maximilians-Universität München et Department of Mathematics — Technical University of Munich, avec 8 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.