scOTM: Un marco de aprendizaje profundo para predecir respuestas de perturbación de una sola célula con grandes...

Área de la Ciencia:

• Biología computacional
• La genómica
• Aprendizaje automático

Sus antecedentes:

• El modelado preciso de las respuestas farmacológicas de una sola célula es crucial para la atención médica.
• Los métodos actuales luchan con datos no emparejados y carecen de interpretabilidad biológica.
• Los modelos existentes a menudo imponen alineaciones previas restrictivas, lo que limita su expresividad.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo, scOTM, para predecir respuestas de perturbación de una sola célula a partir de datos no emparejados.
• Mejorar la generalización a tipos celulares invisibles y mejorar la interpretabilidad biológica.
• Para superar las limitaciones de los métodos existentes en el manejo de datos no emparejados y rígidas restricciones previas.

Principales métodos:

• scOTM integra el conocimiento biológico de los grandes modelos de lenguaje en un autoencoder variacional.
• La regularización de la discrepancia media máxima permite el modelado flexible de los cambios de transcripción.
• El transporte óptimo establece asignaciones interpretables entre las distribuciones de células de control y perturbadas.

Principales resultados:

• scOTM supera a los métodos existentes para predecir las respuestas de todo el transcriptoma e identificar genes expresados diferencialmente.
• El marco demuestra una robustez superior en escenarios con datos limitados.
• scOTM muestra fuertes capacidades de generalización en diversos tipos de células.

Conclusiones:

• scOTM proporciona un marco potente y flexible para predecir las respuestas farmacológicas de una sola célula.
• El método mejora la comprensión biológica al ofrecer incrustaciones interpretables y modelado flexible.
• scOTM avanza en el campo mediante el manejo eficaz de datos no emparejados y la generalización a nuevos tipos de células.