基于深度学习的单细胞表达预测的同质空间构造和投影
Chia-Hung Yeh1,2, Ze-Guang Chen1, Cheng-Yue Liou1
1Department of Electrical Engineering, National Taiwan Normal University, Taipei 10610, Taiwan.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
由于细胞类型的差异,预测细胞对干扰的反应具有挑战性. 拟议的信息导航变量自编码器 (INVAE) 通过过不相关信息并创建统一的特征空间来提高预测准确性.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 机器学习在生物学中的应用
背景情况:
- 预测细胞对干扰的反应至关重要,但仍然具有挑战性.
- 现有的方法经常失败,因为假设细胞类型之间的反应相似,忽视了细胞类型特定的基因组相互作用.
- 深度学习模型与生物数据的异质性作斗争,导致定义不佳的潜在空间和域特定映射.
研究的目的:
- 开发一种新的深度学习框架,用于准确预测细胞对干扰的反应.
- 为了应对数据异质性和细胞类型特定扰动预测领域转移的挑战.
- 通过识别保存的调节模式,提高细胞反应机制的解释性.
主要方法:
- 介绍了信息导航变量自编码器 (INVAE),这是一个用于扰乱响应预测的深度神经网络.
- INVAE采用信息过机制来删除非必要的生物数据.
- 该模型构建了一个同质的控制条件空间,并将其映射到扰动条件空间,从而实现跨域预测.
主要成果:
- 与三个现实数据集中的三种最先进的方法相比,INVAE在细胞状态预测方面表现出了卓越的表现.
- 信息过方法显著提高了预测准确性.
- 分析显示,过不相关的信息突出显示了不同细胞类型中保存的基因调节相似性.
结论:
- INVAE提供了一种强大而准确的方法来预测细胞对干扰的反应,其性能优于现有的方法.
- 该模型处理数据异质性和域转移的能力使其适用于各种生物应用.
- INVAE提供了对保存的基因调节机制的洞察,进步了我们对细胞反应的理解.
