对于单细胞和空间多模式数据的相反生成的自我表达模型
Chengming Zhang1,2, Yiwen Yang1,3, Shijie Tang1
1Key Laboratory of Systems Biology, Shanghai Institute of Biochemistry and Cell Biology, Center for Excellence in Molecular Cell Science, Chinese Academy of Sciences, Shanghai 200031, China.
Briefings in bioinformatics
|July 28, 2023
概括
单细胞多式自发表达集成 (scMSI) 统一了各种各样的数据. 这种新型深度学习模型有效地集成异构的单细胞数据进行全面分析.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞多组技术为细胞异质性提供了深入的见解.
- 整合多种omics数据模式,由于测量变异性,带来了重大的计算挑战.
研究的目的:
- 开发一个强大的计算框架,用于整合异构的单细胞多式联络数据.
- 为了应对将omics数据与潜在的弱交际关系相结合的挑战.
主要方法:
- 提出了一个具有对比性和生成性的深度自我表达模型,命名为单细胞多式联络自我表达集成 (scMSI).
- scMSI通过使用深度生成模型来学习omics特定的潜在表示和自我表达关系.
- 采用对比式学习来将这些关系整合到一个统一的多重空间中.
主要成果:
- scMSI有效地将异构的多式联运数据集成到统一的表示中.
- 在各种分析任务中展示了scMSI的实用性,包括集成,denoising,批次校正和空间域检测.
- 在各种单细胞和空间多式联络数据集中验证了scMSI的高效性和稳定性.
结论:
- scMSI为多式联网单细胞数据集成提供了强大而灵活的范式.
- 该模型成功地在单一框架内实现了表示学习和数据集成.
- scMSI为复杂的单细胞数据分析挑战提供了一个连贯的解决方案.
