分布无关的深度学习使准确的单细胞数据恢复和转录规则解释成为可能

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 单细胞RNA测序 (scRNA-seq) 对于基因表达分析至关重要,但由于有限的mRNA捕获,数据稀疏.
• 现有的归算方法经常做出限制性假设,缺乏强有力的监督,导致结果有偏见.

研究的目的:

• 开发一种新的,分布不可知的深度学习模型,用于准确地归算scRNA-seq数据中缺少的基因表达值.
• 提高各种scRNA-seq平台上的归算方法的可靠性和适用性.

主要方法:

• 开发了Bis,一种基于运输的最佳自编码模型,旨在处理scRNA-seq数据的复杂分布和稀疏性.
• 整合了一个模块,利用大量RNA-seq数据来指导重建并确保表达一致性.
• 调整了蜂嵌入空间以解决数据稀疏性的问题.

主要成果:

• 与现有模型相比,Bis在模拟和真实scRNA-seq数据集上表现出更高的性能.
• 该模型有效地改进了下游分析,包括批量效应校正,集群,差异表达式分析和轨迹推断.
• 毕斯成功地识别和表征了罕见的细胞子集,例如瘤微环境中的细胞因子诱导的自然杀手细胞.

结论:

• 在scRNA-seq中赋值缺失的基因表达数据,Bis提供了一个强大而通用的解决方案,克服了以前方法的局限性.
• 该模型提高了各种生物信息学分析的准确性,并促进了从稀疏的单细胞数据中发现生物学见解.
• 在复杂的生物系统 (包括癌症微环境) 中,Bis显示出细胞特征的前景.