相关实验视频
Updated: Jul 5, 2025
11:26
Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells
Published on: May 22, 2017
13.8K
scFed:用于用scRNA-seqq进行细胞类型分类的联合学习.
Shuang Wang1,2, Bochen Shen2, Lanting Guo2
1Joint Laboratory of Artificial Intelligence for Critical Care Medicine, Department of Critical Care Medicine and Institutes for Systems Genetics, Frontiers Science Center for Disease-related Molecular Network, West China Hospital, Sichuan University, 610212, Chengdu, China.
Briefings in bioinformatics
|January 15, 2024
概括
使用scFed框架的联合学习,可以从单细胞RNA测序数据中有效和私有地识别细胞. 它在各种数据集中实现了具有竞争力的准确性,突出了其对协作生物医学研究的潜力.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 揭示了细胞异质性,但产生了大而稀疏的数据集. 数据隐私法规给集中分析和细胞识别带来了挑战. 联合学习为分布式数据分析提供了一种保护隐私的方法.
- 现有的细胞识别方法在scRNA-seq数据的规模和隐私限制方面扎.
- 联合学习可以在没有直接数据共享的情况下对敏感的生物数据进行协作分析.
研究的目的:
- 引入scFed,一个统一的联合学习框架,用于对scRNA-seq数据的细胞识别算法进行基准测试.
- 在联合学习环境中评估不同分类算法的性能.
- 评估用于scRNA-seq数据分析的联合学习的隐私保护能力和效率.
主要方法:
- 开发了scFed,这是一个用于scRNA-seq数据分析的联合学习框架.
- 使用scFed. 进行基准测试的四种分类算法 (单细胞特定和通用) 使用scFed.
- 评估了8个不同的,公开可用的scRNA-seq数据集的性能.
- 进行了数据集内部和数据集间的实验,以评估模型的通用性.
主要成果:
- 在各种scRNA-seq数据集中,scFed与集中式模型相比显示出具有竞争力的准确性.
- 基于变压器的模型在集中式设置中表现强,但在scFed框架内略有滞后.
- 单细胞特定模型在scFed中表现良好,变压器模型具有更高的时间复杂性.
- 该框架成功实现了细胞识别算法的隐私保护基准测试.
结论:
- 通过scFed进行联合学习,是一种可行且有效的方法,用于在scRNA-seq数据中保护隐私的细胞识别.
- scFed有助于选择合适的细胞识别方法进行联合分析.
- 该研究强调了联合学习在安全,协作生物医学研究和数据分析方面的潜力.
