使用LLM和可解释的ML来分析单细胞水平的生物标志物,以更好地了解疾病
Jonas Elsborg1,2, Marco Salvatore2
1Department of Energy Conversion and Storage, Technical University of Denmark, 2800 Kongens Lyngby, Denmark.
这项研究引入了一种使用人工智能标准化单细胞RNA测序数据的新方法,使不同数据集能够更好地分析疾病,并确定疾病状态的关键基因.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 人工智能在医学中的应用
背景情况:
- 单细胞RNA测序 (scRNA-seq) 揭示了健康和疾病中的细胞多样性.
- 技术变化和数据集偏差阻碍了scRNA-seq数据的跨数据集分析.
研究的目的:
- 开发一种新的方法,在数据集中对scRNA-seq发现进行概括.
- 为了确定强大的基因特征,表明疾病驱动的转录变化.
- 为了提高疾病中的分子机制的解释性.
主要方法:
- 利用基于大型语言模型 (LLM) 的框架 (scBERT) 在数据集中实现一致的单元类型注释.
- 使用符号回归来识别疾病状态推断的最小,相关的基因签名.
- 在健康和性结肠炎 (UC) 患者的四个scRNA-seq数据集上验证了方法.
主要成果:
- 在多种不同的scRNA-seq数据集中展示了成功的泛化,克服了技术变异性.
- 确定了多功能,细胞特异性基因特征,可作为疾病相关细胞类型的分子标记物具有弹性.
- 验证了在弥合数据集差异和实现比较分析方面的有效性.
结论:
- 开发的方法有效地促进了scRNA-seq分析中的跨数据集概括.
- 识别了可解释的基因签名,可以了解潜在的分子疾病机制.
- 这种方法提高了scRNA-seq数据对疾病研究和生物标志物发现的有用性.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
相关概念视频
Two-Dimensional Microscopy in Microbiology
Three-Dimensional Microscopy in Microbiology
Methods of Classification and Identification
Modern Molecular Taxonomy
Methods to Assess Microbial Populations
Rapid Identification of Pathogens
