Aprendizaje de dinámicas multicelulares colectivas con un modelo neuronal de campo medio interactivo SDE

Área de la Ciencia:

• Biología Computacional
• Biología de Sistemas
• Genómica

Sus antecedentes:

• La secuenciación de ARN de célula única (scRNA-seq) temporal permite estudiar procesos biológicos dinámicos.
• La integración de interacciones célula-célula (CCIs) en modelos computacionales de dinámica celular es un desafío debido a la complejidad de los datos.

Objetivo del estudio:

• Presentar scIMF, un novedoso modelo profundo generativo para aprender dinámicas multicelulares colectivas a partir de datos de scRNA-seq.
• Abordar el desafío de integrar interacciones celulares complejas (CCIs) en modelos de sistemas celulares.

Principales métodos:

• scIMF utiliza un modelo de campo medio interactivo profundo generativo basado en el marco de la ecuación diferencial estocástica de McKean-Vlasov.
• Incorpora un mecanismo de atención por célula para capturar CCIs no locales y asimétricas en datos de expresión génica de alta dimensionalidad.

Principales resultados:

• scIMF reconstruye con precisión la expresión génica en puntos de tiempo no observados e infiere velocidades celulares en diversos conjuntos de datos de scRNA-seq.
• El modelo supera a los métodos actuales del estado del arte en el análisis de datos temporales.
• scIMF revela patrones de interacción celular no recíprocos biológicamente interpretables.

Conclusiones:

• scIMF proporciona un marco robusto para modelar dinámicas multicelulares colectivas y relaciones intercelulares complejas.
• El modelo ofrece nuevas perspectivas sobre sistemas biológicos fuera de equilibrio al descubrir comunicaciones celulares no recíprocas.