单细胞基因表达的生成建模用于剂量依赖的化学扰动
Omar Kana1,2,3, Rance Nault2,4, David Filipovic3,5,6
1Department of Pharmacology and Toxicology, Michigan State University, East Lansing, MI 48824, USA.
Patterns (New York, N.Y.)
|August 21, 2023
概括
我们开发了一种新的深度学习模型,即剂量反应的单细胞变异推理 (scVIDR). scVIDR准确地预测了细胞对不同化学剂量的反应,改进了现有的基因表达分析方法.
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.
- 毒理学 毒理学 毒理学
背景情况:
- 单细胞测序强调了细胞对化学刺激的反应异质性.
- 对细胞类型,化学品和剂量的全面测试是资源密集的.
- 变异自编码器 (VAE) 在预测单剂量基因表达变化方面表现有前途.
研究的目的:
- 介绍剂量反应的单细胞变异推断 (scVIDR),这是一个基于VAE的模型.
- 提高单个和多重化学剂量的细胞反应的预测.
- 改进现有的扰动分析计算模型.
主要方法:
- 开发了基于VAE的深度生成学习模型scVIDR.
- 应用scVIDR来预测不同细胞类型的剂量依赖基因表达.
- 利用回归来对潜空间的生物学解释.
主要成果:
- scVIDR准确地预测了小鼠肝细胞,人体血液细胞和癌细胞系中的剂量依赖基因表达.
- 该模型在预测细胞对化学干扰的反应方面优于现有的方法.
- 给单个细胞分配了一个"伪剂量"值,以按干扰灵敏度排序它们.
结论:
- scVIDR提供了一个强大的工具,用于预测剂量依赖的细胞反应.
- 该模型可以减少在化学和毒理学研究中对动物进行广泛测试的需要.
- scVIDR促进了对细胞异质性的生物解释,以应对化学暴露.
