Clustering generativo profundo embebido en grafos para la integración de datos multiómicos de células únicas

Área de la Ciencia:

• Biología Computacional
• Genómica
• Bioinformática

Sus antecedentes:

• Las tecnologías multiómicas de células únicas generan grandes conjuntos de datos para el descubrimiento biológico.
• La integración de datos diversos de ómicas a nivel de célula única es un desafío debido a la heterogeneidad de los datos.
• Los métodos actuales a menudo no aprovechan eficazmente las estructuras de grafos celulares.

Objetivo del estudio:

• Desarrollar un modelo novedoso para la integración eficaz de datos multiómicos de células únicas.
• Abordar el desafío de la alta heterogeneidad entre los diferentes tipos de ómicas.
• Mejorar el rendimiento y la utilidad práctica del análisis de datos multiómicos.

Principales métodos:

• Se propuso un modelo de Clustering Generativo Profundo Embebido en Grafos (GeDGC).
• Se aprendieron simultáneamente representaciones latentes compartidas y factores de clúster utilizando modelos de mezcla gaussiana.
• Se incorporaron restricciones de incrustación de grafos en las representaciones latentes y las asignaciones de clúster para preservar la estructura local de los datos.

Principales resultados:

• GeDGC captura eficazmente correlaciones complejas entre múltiples ómicas.
• El modelo genera incrustaciones latentes compartidas informativas para tareas posteriores.
• Los resultados experimentales en diez conjuntos de datos demostraron la superioridad de GeDGC sobre diecisiete métodos de la competencia.

Conclusiones:

• GeDGC ofrece un enfoque superior para la integración de datos multiómicos de células únicas.
• La capacidad del modelo para preservar la estructura celular intrínseca mejora el análisis de datos.
• Este método avanza la utilidad de los datos multiómicos en el descubrimiento biológico y la investigación médica.