TissueFormer:グループ化された単細胞RNAプロファイルから組織をラベル付けるためのニューラルネットワーク

科学分野:

• コンピュータ生物学
• ゲノミクス
• 神経科学

背景:

• 単細胞RNA配列解析 (scRNA-seq) は深い遺伝子発現の洞察を提供しているが,現在の分析では,人口レベルの重要な信号が欠けることが多い.
• scRNA-seqデータを解釈することは,典型的には個々の細胞に焦点を当て,サンプルフェノタイプを推論するための細胞組成の重要性を無視します.
• 組織のアイデンティティ,疾患状態,その他のサンプルレベルの特徴は,サンプル内の細胞の混合によってしばしば決定されます.

研究 の 目的:

• 単細胞RNAプロフィールのグループを分析するために設計されたトランスフォーマーベースのニューラルネットワークであるTissueFormerを導入します.
• 単細胞解像度を維持しながら,細胞組成から集団レベルのラベルを推論することを可能にします.
• 細胞の多様性と組織組織によって影響されるサンプルレベルの現象型を予測するための計算的枠組みを提供すること.

主な方法:

• トランスフォーマーベースのニューラルネットワークアーキテクチャであるTissueFormerの開発.
• TissueFormerをマウス脳からの空間トランスクリプトミックのデータに適用する.
• TissueFormerの性能を,シドブークと細胞タイプ組成データを用いた単細胞基礎モデルと伝統的な機械学習方法と比較.

主要な成果:

• TissueFormerは,空間的なトランスクリプトミックのデータから細胞のグループから皮質の領域を成功裏に予測しました.
• このモデルは既存の単細胞基盤モデルと 機械学習アプローチを上回りました
• 個々のマウスの脳領域の高解像度マップの自動構築が可能になった.

結論:

• TissueFormerは,集団レベルの表型を正確に予測するために,細胞組成を効果的に活用します.
• このフレームワークは,高解像度マッピングのための空間トランスクリプトミックのデータの分析を進めています.
• TissueFormerは 細胞の多様性が重要な 生物学的および臨床研究における 多様な応用のための 汎用的なツールを提供します