scCotag: 事前情報に基づいた共同最適輸送と正則化重心マッピングによる単一細胞マルチオミクスデータの対角線統合

科学分野:

• 計算生物学
• ゲノミクス
• バイオインフォマティクス

背景:

• 高スループット単一細胞技術は、相補的な生物学的洞察を提供するマルチオミクスデータを生成します。
• 対角線統合のための計算方法は、異なるオミクス層にわたる細胞集団を整列させます。
• 既存の方法は、すべての細胞がアライメント可能であると仮定し、特徴対応を洗練しないことがよくあります。

研究 の 目的:

• 堅牢な単一細胞対角線統合のための深層学習フレームワークであるscCotagを導入すること。
• 細胞アライメントと特徴対応を反復的に推論することにより、既存の方法の制限に対処すること。
• マルチオミクスデータからより正確な生物学的解釈を可能にすること。

主な方法:

• scCotagは、共同最適輸送（COOT）を利用して、細胞アライメントと特徴対応の事前情報に基づいた反復推論を行います。
• 細胞と特徴の埋め込みの共同学習は、正則化重心マッピングとグラフ再重み付けを介して達成されます。
• フレームワークは、ヒトの脳、骨髄、および血液の単一細胞RNA-seqおよびATAC-seqデータセットで検証されました。

主要な成果:

• scCotagは、細胞アライメントと埋め込み精度の点で最先端の方法よりも優れたパフォーマンスを示します。
• この方法は、細胞のアライメント可能性が普遍的ではないシミュレートされた不均衡シナリオで優れています。
• アルツハイマー病の死後脳データへの適用により、より詳細な調節メカニズムの解釈が明らかになります。

結論:

• scCotagは、マルチオミクスデータの単一細胞対角線統合のための堅牢で正確なフレームワークを提供します。
• 細胞アライメントと特徴対応の反復的洗練は、生物学的推論を強化します。
• このアプローチは、複雑な単一細胞データセットと調節メカニズムの分析を進歩させます。