缩放深度可识别模型使单细胞生物状态的零射击特征成为可能
Mingze Dong1,2,3, Kriti Agrawal1,2,4, Rong Fan2,3,5,6
1Interdepartmental Program in Computational Biology & Bioinformatics, Yale University, New Haven, CT, USA.
bioRxiv : the preprint server for biology
|November 28, 2023
概括
像scShift这样的深度学习模型的扩展有效地识别了单细胞RNA测序数据中的真实生物差异,克服了批量效应,以便在各种数据集中进行可靠的分析.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 数据科学数据科学数据科学
背景情况:
- 单细胞RNA测序 (scRNA-seq) 分析在区分真正的生物变异和批量效应方面面临挑战.
- 这种限制阻碍了交叉数据集分析和发现可转移的生物见解.
研究的目的:
- 开发一个计算框架,有效地将生物信号与scRNA-seq数据中的批量变异分离开来.
- 为了在多样化的scRNA-seq数据集中实现可靠和可转移的生物发现.
主要方法:
- 开发了scShift,这是一个深度变异推理框架,旨在将批量依赖和独立变异分开.
- 训练有素的scShift在scrRNA-seq地图的大型汇编上,利用深度学习和可识别模型.
- 通过使用200多个训练有素的实例来评估模型性能,以确定扩展规律和新兴的零射击能力.
主要成果:
- scShift在识别细胞类型和生物状态方面展示了非凡的零射击能力,有效地克服了批量效应.
- 该框架成功地将不同数据集和实验系统的肺纤维化状态进行了比较.
- sc将推断结果转移到新的背景,例如COVID-19后纤维化,识别关键特征和潜在的治疗点.
结论:
- 缩放深度可识别模型为scRNA-seq数据中的批量效应校正提供了一个强大的解决方案.
- scShift表现出显著的零射击学习能力,推进了大规模单细胞数据集的分析.
- 这种方法是迈向下一代单细胞生物学研究计算工具的重要一步.
