scTIGER:一种深度学习方法,可以从案例对照 scRNA-seq 数据集中推断基因调控网络

科学领域:

• 计算生物学 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:

• 推断基因调节网络 (GRNs) 对于理解细胞过程至关重要.
• 现有的从单细胞RNA测序 (scRNA-seq) 数据中推断GRN的方法经常存在高假阳性率.
• 目前没有任何方法直接使用对应的病例对照scRNA-seq数据集来进行GRN推断.

研究的目的:

• 推出scTIGER,一种基于深度学习的新型GRN检测方法.
• 通过分析配对scRNA-seq数据集中的共同差异性基因表达特征来推断GRNs.
• 解决现有的GRN推断方法的局限性,特别是关于假阳性和对数据的使用.

主要方法:

• scTIGER使用来自案例对照实验的配对scRNA-seq数据集.
• 该方法结合了基于细胞类型的伪定时,基于注意力的卷积神经网络和基于排列的意义测试.
• 它通过分析基因模块内的共同差异关系来推断GRNs.

主要成果:

• 在前列腺癌细胞中,scTIGER成功地确定了动态调节网络,包括AR,ERG,PTEN和ATF3等关键基因.
• 该方法检测了与恐惧记忆相关的神经元中的特定调节网络,涉及BDNF,CREB1和MAPK4.4等基因.
• scTIGER证明了对scRNA-seq数据中固有的高水平脱落噪声的稳定性.

结论:

• scTIGER提供了一种强大而准确的方法,可以从配对的scRNA-seq数据中推断基因调节网络.
• 该方法增强了对各种生物环境中的调节机制的理解,包括癌症和神经科学.
• scTIGER对数据噪声的弹性使其成为分析具有挑战性的scRNA-seq数据集的宝贵工具.