SemiLT: scRNA-seqからscATAC-seqへのクロスモダリティセルラベルアノテーションのためのマルチアンカー転送学習方法

科学分野:

• ゲノミクスとバイオインフォマティクス
• コンピュータ生物学
• エピジェネティクス

背景:

• 単細胞ATACシーケンシング (scATAC-seq) は表遺伝的多様性に関する深い洞察を提供しているが,データの稀少性と高次元性により,細胞型アノテーションの課題に直面している.
• scATAC-seqアノテーションのための既存の転送学習方法は,単細胞RNAシーケンシング (scRNA-seq) とscATAC-seqデータ間の時間的な違いをしばしば考慮できず,バッチ効果が悪化します.
• 正確な細胞型アノテーションは,scATAC-seqデータを解釈し,他の単細胞方式と統合するために不可欠です.

研究 の 目的:

• scRNA-seqからscATAC-seqデータへの堅牢なセルラベルアノテーションのために設計されたマルチアンカー転送学習フレームワークであるSemiLTを導入します.
• scRNA-seqとscATAC-seqの間の時間的な不一致から生じるバッチ効果に対処し,軽減する.
• 特に希少な細胞集団の細胞型アノテーションの精度を改善し,scATAC-seq研究における下流分析の信頼性を高める.

主な方法:

• クロスモダリティ・セル・アノテーション (scRNA-seq から scATAC-seq) に特化した新しいマルチアンカー・トランスファー・ラーニング・アプローチであるSemiLTの開発.
• 多数のscATAC-seqおよびscRNA-seqデータセットを使用した既存の計算ツールに対するSemiLTのベンチマーク.
• 細胞型アノテーションの正確性,希少細胞型識別,モダリティバッチの修正,軌道推論などの下流分析アプリケーションにおけるSemiLTの性能の評価.

主要な成果:

• SemiLTは,scATAC-seqデータに対するセル型アノテーションとモダリティ・バッチ修正の両方で,既存の方法と比較して優れたパフォーマンスを示しています.
• アノテーションの精度が大幅に改善され,希少な細胞タイプでは平均F1スコアが18%増加しました.
• ヒトの骨髄データにおける造血幹細胞 (HSC) 経路転換の正確な再構築と,外周血液単核細胞 (PBMC) データセットからのCD8エフェクタルのT細胞における転写因子KLF4の識別.

結論:

• SemiLTは,scRNA-seqとscATAC-seqデータ間の時間的な不一致に対処することによって,既存の転送学習方法の限界を効果的に克服します.
• この方法は,高品質のセル型アノテーションと埋め込みを提供し,scATAC-seqデータの信頼性と解釈性を高めます.
• SemiLTは,細胞の分化軌道を推論し,特定の細胞集団における重要な規制因子を特定するなど,正確な生物学的発見を容易にする.