MODE: disociación digital de alta resolución con codificador automático multimodal profundo

Área de la Ciencia:

• Biología de una sola célula
• Biología computacional
• Análisis multiómico

Sus antecedentes:

• La complejidad del tejido desafía el mapeo celular y el análisis del microambiente tumoral.
• Los métodos de desconvolución existentes se centran principalmente en la transcriptómica y luchan con otros datos ómicos.
• Necesidad de herramientas computacionales avanzadas para la disociación digital de tejidos a granel.

Objetivo del estudio:

• Desarrollar una tubería de autoencoder multimodal (MODE) para la disociación digital de tejidos a granel.
• Para permitir la predicción conjunta de perfiles multi-ómicos y composiciones celulares.
• Para superar las limitaciones de los métodos de desconvolución centrados en la transcriptómica.

Principales métodos:

• MODE utiliza un autoencoder multimodal para vincular las características multidimensionales.
• Construye datos pseudo-a granel utilizando referencias internas no transcriptómicas y datos externos de secuenciación de ARN de una sola célula (scRNA-seq).
• La tubería predice conjuntamente perfiles multi-ómicos personalizados y composiciones celulares.

Principales resultados:

• MODE demostró una generalización y fidelidad superiores en comparación con otras nueve tuberías de desconvolución en simulaciones rigurosas.
• El método fue validado utilizando datos multi-ómicos reales de diversos tipos de tejidos.
• Se logró una predicción exitosa de las composiciones celulares y los perfiles multi-ómicos.

Conclusiones:

• MODE ofrece un enfoque robusto y generalizable para la disociación digital de tejidos a granel.
• El proyecto integra efectivamente datos no transcriptómicos y transcriptómicos para un análisis exhaustivo.
• MODE avanza en la biología multi-ómica de una sola célula al permitir un mapeo celular preciso y la descomposición del microambiente.