在细胞计量中用于细胞类型注释的生物驱动的深度生成模型

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学

背景情况:

• 细胞测量对于复杂的生物样本中单细胞表型化至关重要.
• 手动关门,细胞注释的传统方法,受到糟糕的可重现性和批量效应敏感性.
• 来自先进细胞计 (光谱,质量) 的高维数据挑战手动分析.

研究的目的:

• 介绍Scyan,一个用于细胞计数据的自动化细胞类型注释网络.
• 为了解决手动关门在可重复性,速度和高维数据处理方面的局限性.
• 为细胞计分析提供可解释和高效的深度学习解决方案.

主要方法:

• 开发Scyan,一个单细胞细胞计注释网络,使用深度生成模型 (规范流).
• 将高维蛋白表达数据映射到一个生物相关的潜空间.
• 利用先前对细胞计量面板的专家知识进行自动注释.

主要成果:

• 在多个公共细胞计量数据集上,Scyan显著优于现有的最先进模型.
• 与传统方法相比,该模型显示了增强的速度和可解释性.
• 斯凯恩有效地解决了补充任务,包括批量效应校正,脱条码和细胞群体发现.

结论:

• 斯凯恩加速和简化了细胞群体的表征,量化和细胞测量中的发现.
• 该网络为复杂,高维的细胞计量数据提供了一个强大的,高效的替代手动门.
• 使用Scyan的自动注释提高了可复制性,并减少了单细胞分析中的批量效应.