使用1D卷积神经网络集成单细胞多模式表观遗传数据
Chao Gao1, Joshua D Welch1,2
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor MI 48109, USA.
bioRxiv : the preprint server for biology
|March 11, 2024
概括
新的ConvNet-VAE集成来自单细胞的多式表观基因组数据. 该框架改进了尺寸缩小和批次校正,优于复杂的表观基因组数据集的现有方法.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
背景情况:
- 单细胞多模式表观基因组分析同时测量多个组素修饰和染色质可访问性.
- 整合这些多样化的表观遗传学模式对于理解细胞类型特定变异至关重要.
- 现有的集成方法没有针对这些数据的独特序列性质进行优化.
研究的目的:
- 开发一种新的计算框架,用于整合单细胞多模式表观基因组数据.
- 解决当前在模拟不同表观遗传层之间的复杂关系方面方法的局限性.
- 通过有效地结合多个表观基因组测量,创建单个细胞的统一表示.
主要方法:
- 开发了ConvNet-VAEs,一个使用1D-convolutional变量自动编码器的框架.
- 模拟单细胞多式表观基因组数据作为多通道序列信号.
- 评估了来自小鼠大脑和人类骨髓的纳米CT和scNTT-seq数据集的框架.
主要成果:
- 与现有的架构相比,ConvNet-VAE在尺寸缩小和批次校正方面表现出了卓越的性能.
- 该框架在显著减少参数的情况下实现了这些改进.
- 卷积架构显示,与完全连接的网络不同,具有更多模式的性能增加.
结论:
- ConvNet-VAE为整合单细胞多模式表观基因组数据提供了一个有前途的方法.
- 卷积自编码器非常适合当前和未来的表观基因组数据集.
- 这种方法推进了复杂的表观遗传学景观的分析.
