深度学习在空间分辨率的转录组学:一个全面的技术视图
Roxana Zahedi1, Reza Ghamsari1, Ahmadreza Argha2,3
1UNSW BioMedical Machine Learning Lab (BML), The Graduate School of Biomedical Engineering, UNSW Sydney, 2052, NSW, Australia.
Briefings in bioinformatics
|March 14, 2024
概括
空间解析转录学 (SRT) 分析需要超越传统机器学习的先进方法. 深度学习显得有前途,但需要对生物细微差别和数据挑战进行改进,为研究人员提供新的资源.
科学领域:
- 计算生物学是一种计算生物学.
- 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:
- 空间解析的转录组学 (SRT) 在形态上提供了基因表达的单细胞解析.
- SRT数据的复杂性挑战了传统的分析方法,需要先进的方法.
- 深度学习越来越多地被用于SRT任务,如空间聚类和基因识别.
研究的目的:
- 批判性地评估用于SRT数据分析的深度学习方法.
- 确定SRT当前深度学习模型的局限性和改进领域.
- 为 SRT 研究社区提供资源.
主要方法:
- 对现有的深度学习算法的批评,应用于SRT.
- 分析挑战,包括批量效应,规范化和计数分布.
- 编制可访问的SRT数据库.
主要成果:
- 深度学习模型对SRT有希望,但需要对生物复杂性进行增强.
- 关键的挑战包括结合生物细微差别和处理数据工件.
- 提供了一个精心策划的SRT数据库目录.
结论:
- 进一步发展深度学习对于推进SRT至关重要.
- 模型需要整合生物学复杂性,并稳定地处理数据不完美.
- 提供的数据库目录旨在促进未来的SRT研究.
