通过在生物过程中转移学习来推断差异化轨迹的推断
Gaurav Jumde1, Bastiaan Spanjaard2, Jan Philipp Junker2
1Max Delbrück Center for Molecular Medicine, Berlin Institute for Medical Systems Biology, 10115 Berlin, Germany; Humboldt Universität zu Berlin, Faculty of Life Sciences, Department of Biology, 10115 Berlin, Germany.
本研究介绍了一种计算框架,使用转移学习来预测细胞分化轨迹. 该模型在胚胎发育中显示出高准确度,但由于不同的转录一致性,在成年人血液形成中显示出较低的一致性.
科学领域:
- 计算生物学是一种计算生物学.
- 发育生物学是发展生物学.
- 干细胞生物学 干细胞生物学
背景情况:
- 细胞分化涉及通过转录状态的过渡.
- 从单细胞转录组学预测分化轨迹是一个持续的挑战.
- 当前的计算方法在跨过程可预测性方面存在局限性.
研究的目的:
- 使用转移学习推断差异化过程并量化生物背景中的可预测性.
- 为了比较线性与非线性计算方法的预测精度.
- 研究不同生物系统之间预测准确度差异的原因.
主要方法:
- 应用转移学习技术到单细胞转录组学数据.
- 开发并使用一个定制的变化自编码器 (VAE) 模型.
- 在VAE内显式建模了转录变异的变化.
- 分析了早期胚胎发育和成人血液形成的分化轨迹.
主要成果:
- 非线性计算方法比线性方法表现出更高的性能.
- 定制的VAE实现了最高的预测准确度.
- 对于胚胎发育轨迹,观察到高预测准确度.
- 对于成年人血液形成,发现与真实数据的一致性略低.
- 与成人恒温相比,差异归因于胚胎发育中的更高的转录过程一致性.
结论:
- 建立了一个新的框架来量化和利用细胞分化的可预测性.
- 强调了非线性模型的有效性,特别是VAE,用于轨迹推断.
- 确定了影响不同差异化环境中的预测准确性的生物因素 (转录一致性).
- 提供了关于发育和恒常细胞过程之间的基本差异的见解.
更多相关视频
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
相关概念视频
Forced Transdifferentiation
Artificial...
Cellular Differentiation
A zygote is a...
Evolutionary Relationships through Genome Comparisons
