SemiLT: Un método de aprendizaje de transferencia multiancla para la anotación de etiquetas celulares de modalidad...

Área de la Ciencia:

• La genómica y la bioinformática
• Biología computacional
• La epigenética

Sus antecedentes:

• La secuenciación ATAC de una sola célula (scATAC-seq) ofrece información profunda sobre las variaciones epigenéticas, pero se enfrenta a desafíos en la anotación del tipo de célula debido a la escasez de datos y la alta dimensionalidad.
• Los métodos de aprendizaje de transferencia existentes para la anotación scATAC-seq a menudo no tienen en cuenta las diferencias temporales entre la secuenciación de ARN de una sola célula (scRNA-seq) y los datos scATAC-seq, lo que lleva a efectos de lote exacerbados.
• La anotación precisa del tipo de célula es crucial para interpretar los datos de scATAC-seq e integrarlos con otras modalidades de una sola célula.

Objetivo del estudio:

• Introducir SemiLT, un marco de aprendizaje de transferencia de anclaje múltiple diseñado para la anotación robusta de etiquetas de células de datos scRNA-seq a scATAC-seq.
• Para abordar y mitigar los efectos de los lotes derivados de las discrepancias temporales entre las modalidades scRNA-seq y scATAC-seq.
• Mejorar la precisión de la anotación del tipo de célula, especialmente para poblaciones de células raras, y mejorar la fiabilidad de los análisis posteriores en los estudios scATAC-seq.

Principales métodos:

• Desarrollo de SemiLT, un nuevo enfoque de aprendizaje de transferencia multi-ancla específicamente diseñado para la anotación celular de modalidad cruzada (scRNA-seq a scATAC-seq).
• Evaluación comparativa de SemiLT con las herramientas computacionales existentes utilizando múltiples conjuntos de datos scATAC-seq y scRNA-seq.
• Evaluación del rendimiento de SemiLT en la precisión de la anotación del tipo de célula, la identificación del tipo de célula rara, la corrección de lotes de modalidad y las aplicaciones de análisis posteriores como la inferencia de trayectoria.

Principales resultados:

• SemiLT demuestra un rendimiento superior en comparación con los métodos existentes tanto en la anotación del tipo de célula como en la corrección del lote de modalidad para los datos scATAC-seq.
• Mejora significativa en la precisión de la anotación, con un aumento promedio de la puntuación F1 del 18% para los tipos de células raras.
• Reconstrucción precisa de las transiciones de la trayectoria de las células madre hematopoyéticas (HSC) en datos de médula ósea humana e identificación del factor de transcripción KLF4 en células T efectoras de CD8 a partir de conjuntos de datos de células mononucleares de sangre periférica (PBMC).

Conclusiones:

• SemiLT supera efectivamente las limitaciones de los métodos de aprendizaje de transferencia existentes al abordar las discrepancias temporales entre los datos scRNA-seq y scATAC-seq.
• El método proporciona anotaciones y incorporaciones de tipo celular de alta calidad, mejorando la fiabilidad e interpretabilidad de los datos scATAC-seq.
• SemiLT facilita descubrimientos biológicos precisos, como la inferencia de las trayectorias de diferenciación celular y la identificación de factores reguladores clave en poblaciones celulares específicas.