通过深度学习构建多批次单细胞比较地图集,解纠
Allen W Lynch1,2, Myles Brown3,4, Clifford A Meyer5,6
1Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA.
Nature communications
|July 11, 2023
概括
这项研究引入了CODAL,这是一个新的模型,用于在单细胞测序数据中将技术噪声与生物信号分开. 在多个实验批次中,CODAL 增强了细胞类型的发现和分析.
科学领域:
- 单细胞基因组学 单细胞基因组学
- 计算生物学是一种计算生物学.
- 系统生物学 系统生物学
背景情况:
- 单细胞RNA-seq和ATAC-seq生成细胞状态图谱,对于研究遗传和药物干扰至关重要.
- 对这些图谱的比较分析揭示了细胞状态和轨迹的变化.
- 多批次实验很常见,但引入技术扭曲,使数据比较复杂化.
研究的目的:
- 开发一个计算模型,将技术批量效应与单细胞数据中的生物变异分开.
- 提高细胞类型发现和生物解释在多批单细胞实验中的准确性.
主要方法:
- 拟议的CODAL (通过基于Autoencoder的潜空间分解解细胞状态),一个变异性的自编码模型.
- 利用相互信息规范化来分离技术和生物因素.
- 将模型应用于模拟数据集和带有基因淘汰的胚胎发育图谱.
主要成果:
- 在模拟和现实数据中,CODAL成功识别了细胞类型,尽管有批次混.
- 该模型改善了RNA-seq和ATAC-seq数据模式的表示.
- 科达尔产生了可解释的生物变异模块,并允许其他模型的泛化.
结论:
- 在单细胞多组数据分析中,CODAL有效地解决了批量效应.
- 该模型提高了干扰研究中细胞状态和轨迹分析的可靠性.
- 对于多批次单细胞数据的集成和解释,CODAL提供了一个强大的框架.
