本网讯（通讯员 昌檀）  近日，计算机科学与工程学院生物医学大数据团队的研究成果《WDGTA: a wavelet-denoised graph attention framework for spatial transcriptomics deconvolution》发表于生物信息学著名期刊《Briefings in Bioinformatics》（中科院小类一区，影响影子7.3）。2023级研究生朱昊为论文第一作者，吴兴隆副教授和浙江大学附属儿童医院谢诒诚研究员为共同通讯作者，武汉工程大学为第一署名单位。该研究将小波多尺度分析与图注意力机制结合，为精准解析生物组织中不同细胞类型的空间分布提供了新方法。

图  WDGTA模型总体框架

  空间转录组技术能够记录基因在组织中的表达位置，但常用的测序平台采集到的一个空间点位可能包含多种细胞，给细胞类型解析带来困难。针对这一问题，研究团队提出小波去噪图注意力框架WDGTA：先利用小波变换在不同尺度上提取和重构基因表达特征，再构建反映点位关系的加权图，借助图注意力机制推断各点位的细胞组成。在五个公开数据集的性能评估中，WDGTA对比七个主流方法都取得最优结果。此外，研究还进一步在小鼠小脑组织以及紫外线照射相关皮肤样本中验证了该方法的适用性，展示了其识别空间细胞分布及低丰度黑色素细胞相关信号的潜力。

  近年来，生物医学大数据团队基于前期发表的小波分析用于深度学习分割模型的下采样技术（论文名称Haar wavelet downsampling: A simple but effective downsampling module for semantic segmentation，ESI高被引论文和热点论文，第一作者徐国平博士），深入探索了小波分析在“人工智能+生物医学”交叉领域的应用，包括造影超声视频的自动化分析（论文名称A deep learning-based framework for the malignancy analysis of thyroid lesions in contrast-enhanced ultrasound videos，发表于Artificial Intelligence in Medicine，中科院二区TOP，影响因子7.8，2022级研究生杨翱翔为第一作者，吴兴隆副教授和华中科技大学附属同济医院崔新伍教授为共同通讯作者），面向标注数据有限的超声图像分割任务（论文名称Wavelet attention fusion for semi-supervised ultrasound segmentation，发表于Biomedical Signal Processing and Control，中科院二区TOP，影响因子5.7，2022级研究生吴夏铭为第一作者，通讯作者徐国平博士），半监督学习的胎儿超声图像分析（论文名称Wavelet-Based Frequency Replacement and Edge Enhancement for Semi-Supervised Fetal Ultrasound Image Segmentation，发表于Journal of Ultrasound in Medicine，通讯作者徐国平博士）等，取得丰富的成果。

  研究团队不断拓展小波技术在生物医学交叉研究中的应用场景，有望进一步提升学校在AI+Science领域的学术影响力。（审稿 张炜 周华兵）