通过几何深度学习从单细胞转录组数据推断代谢状态.

科学领域:

• 系统生物学 系统生物学
• 计算生物学 计算生物学
• 代谢学 代谢学 代谢学

背景情况:

• 单细胞RNA测序 (scRNAseq) 提供了基因表达的洞察力,但缺乏代谢数据.
• 代谢状态对于细胞过程至关重要,但单细胞代谢是具有挑战性的.
• 多式调节强调了需要将基因表达与代谢功能的整合.

研究的目的:

• 开发一种计算方法,从基因表达数据中预测代谢流动.
• 为了使单细胞代谢途径分析使用转录学.
• 为了弥合基因表达和细胞代谢活动之间的差距.

主要方法:

• GEFMAP (基于基因表达的流量映射和代谢途径预测) 使用几何深度学习.
• 该方法将转录组学数据,特别是scRNAseq,应用于代谢网络.
• 新的深度学习模型预测了代谢反应的质量平衡相对流速.

主要成果:

• 在单细胞分辨率下,GEFMAP成功地预测了代谢流量.
• 这种方法利用了代谢网络的图形结构.
• 它可以通过基因表达来估计反应速率和细胞目标.

结论:

• 根据基因表达,GEFMAP提供了一种从基因表达中推断细胞代谢的新方法.
• 这种方法推进了生物发现的多组学数据的整合.
• 它为了解细胞代谢状态提供了一个可扩展的解决方案.