Embeddings multimodales parcialmente compartidos aprenden una representación holística del estado celular

Área de la Ciencia:

• Biología computacional
• Análisis multiómico unicelular
• Bioinformática

Sus antecedentes:

• Las tecnologías unicelulares generan diversos tipos de datos simultáneamente.
• Los métodos de integración actuales a menudo oscurecen las contribuciones específicas de la modalidad.
• Necesidad de métodos que retengan y distingan la información compartida y específica de la modalidad.

Objetivo del estudio:

• Introducir APOLLO, un marco computacional para integrar datos unicelulares multimodales.
• Permitir el aprendizaje del intercambio de información parcial entre diferentes tipos de datos.
• Proporcionar una visión más interpretable y holística de los estados celulares.

Principales métodos:

• Se desarrolló un Autoencoder con un espacio latente parcialmente superpuesto aprendido a través de la Optimización Latente (APOLLO).
• Probado en datos simulados y cuatro conjuntos de datos unicelulares del mundo real (SHARE-seq, CITE-seq, imagen multiplexada).

Principales resultados:

• APOLLO integra con éxito diversas modalidades de datos unicelulares.
• Permite la predicción de datos faltantes, como tinciones de proteínas no medidas.
• Permite el desentrañamiento de las contribuciones de la modalidad o del compartimento celular a fenotipos específicos.

Conclusiones:

• APOLLO ofrece un enfoque eficiente para la integración de datos unicelulares multimodales.
• Conserva y distingue la información compartida y específica de la modalidad para una mayor interpretabilidad.
• Facilita una comprensión holística de los estados y fenotipos celulares.