TissueFormer: una red neuronal para el etiquetado de tejidos a partir de perfiles agrupados de ARN de una sola célula

Área de la Ciencia:

• Biología computacional
• La genómica
• La neurociencia

Sus antecedentes:

• La secuenciación de ARN de una sola célula (scRNA-seq) ofrece ideas profundas sobre la expresión génica, pero el análisis actual a menudo pierde señales cruciales a nivel de población.
• La interpretación de los datos scRNA-seq generalmente se centra en las células individuales, descuidando la importancia de la composición celular para inferir los fenotipos de la muestra.
• La identidad del tejido, el estado de la enfermedad y otras características a nivel de muestra a menudo están dictadas por la mezcla de células dentro de una muestra.

Objetivo del estudio:

• Introducir TissueFormer, una red neuronal basada en transformadores diseñada para analizar grupos de perfiles de ARN de una sola célula.
• Permitir la inferencia de etiquetas a nivel de población a partir de la composición celular mientras se mantiene la resolución de una sola célula.
• Proporcionar un marco computacional para predecir fenotipos a nivel de muestra influenciados por la diversidad celular y la organización tisular.

Principales métodos:

• Desarrollo de TissueFormer, una arquitectura de red neuronal basada en Transformer.
• Aplicación de TissueFormer a los datos transcriptómicos espaciales de los cerebros de ratones.
• Comparación del rendimiento de TissueFormer con modelos de fundación de una sola célula y métodos tradicionales de aprendizaje automático utilizando datos de composición de pseudobulk y tipo de célula.

Principales resultados:

• TissueFormer predijo con éxito áreas corticales de grupos de células en datos transcriptómicos espaciales.
• El modelo superó a los modelos existentes de fundación de una sola célula y los enfoques de aprendizaje automático.
• Se habilitó la construcción automatizada de mapas de regiones cerebrales de alta resolución en ratones individuales.

Conclusiones:

• TissueFormer aprovecha efectivamente la composición celular para una predicción precisa de los fenotipos a nivel de población.
• El marco avanza en el análisis de datos transcriptómicos espaciales para el mapeo de alta resolución.
• TissueFormer ofrece una herramienta versátil para diversas aplicaciones en la investigación biológica y clínica donde la diversidad celular es clave.