scCotag: Integración diagonal de datos multiómicos de una sola célula mediante transporte co-óptimo informado por el...

Área de la Ciencia:

• Biología Computacional
• Genómica
• Bioinformática

Sus antecedentes:

• Las tecnologías de células únicas de alto rendimiento generan datos multiómicos, que proporcionan información biológica complementaria.
• Los métodos computacionales para la integración diagonal alinean las poblaciones celulares a través de diferentes capas ómicas.
• Los métodos existentes a menudo asumen que todas las células son alineables y no refinan las correspondencias de características.

Objetivo del estudio:

• Presentar scCotag, un marco de aprendizaje profundo para la integración diagonal robusta de células únicas.
• Abordar las limitaciones de los métodos existentes infiriendo iterativamente la alineación celular y la correspondencia de características.
• Permitir interpretaciones biológicas más precisas a partir de datos multiómicos.

Principales métodos:

• scCotag utiliza el transporte co-óptimo (COOT) para la inferencia iterativa informada por el prior de la alineación celular y la correspondencia de características.
• Se logra el aprendizaje conjunto de las incrustaciones de células y características a través del mapeo baricéntrico regularizado y la reponderación de grafos.
• El marco se validó en conjuntos de datos de ARNm y ATAC-seq de células únicas de cerebro humano, médula ósea y sangre.

Principales resultados:

• scCotag demuestra un rendimiento superior a los métodos de vanguardia en la alineación celular y la precisión de la incrustación.
• El método sobresale en escenarios de desequilibrio simulados donde la alineabilidad celular no es universal.
• La aplicación a datos de cerebro post-mortem de la enfermedad de Alzheimer revela interpretaciones más detalladas de los mecanismos regulatorios.

Conclusiones:

• scCotag proporciona un marco robusto y preciso para la integración diagonal de datos multiómicos de células únicas.
• El refinamiento iterativo de la alineación celular y la correspondencia de características mejora la inferencia biológica.
• Este enfoque avanza en el análisis de conjuntos de datos complejos de células únicas y mecanismos regulatorios.