GALA: Integración de recorridos de grafos ponderados y entrenamiento adversario de espacio latente para la alineación...

Área de la Ciencia:

• Genómica
• Bioinformática
• Biología Computacional

Sus antecedentes:

• La secuenciación de ARN de células únicas (scRNA-seq) revela la heterogeneidad celular pero sufre de efectos de lote.
• Las variaciones técnicas en los conjuntos de datos scRNA-seq dificultan la integración y el análisis precisos de los datos.

Objetivo del estudio:

• Introducir Graph-based Adversarial Latent Alignment (GALA), un marco novedoso para la corrección robusta de lotes en datos scRNA-seq.
• Alinear conjuntos de datos scRNA-seq preservando las señales biológicas esenciales.

Principales métodos:

• GALA integra recorridos aleatorios de grafos ponderados con entrenamiento adversario de espacio latente.
• Un módulo de Vecino Más Cercano Mutuo de Grafo Ponderado (WGMNN) mejora el emparejamiento de células entre lotes.
• El entrenamiento adversario en un espacio latente de baja dimensión genera representaciones agnósticas a los lotes.

Principales resultados:

• GALA demostró un rendimiento superior en la corrección de lotes en cinco conjuntos de datos de referencia diversos, logrando altas puntuaciones F1.
• El módulo WGMNN mejoró la diversidad de emparejamiento de células hasta en un 125% y la cobertura en un 48%.
• GALA superó a métodos establecidos como Seurat v4, Harmony y Scanorama, especialmente en conjuntos de datos complejos.

Conclusiones:

• GALA ofrece una solución robusta y computacionalmente eficiente para la integración de datos scRNA-seq.
• El marco elimina eficazmente los artefactos técnicos preservando la variabilidad biológica.
• GALA muestra una superioridad y robustez consistentes en varios escenarios de integración scRNA-seq.