scGAL:通过联合分析独立的单细胞拷贝数和scRNA-seq数据来揭露瘤的克隆亚结构
Ruixiang Li1, Fangyuan Shi1,2, Lijuan Song1,2
1School of Information Engineering, Ningxia University, Yinchuan, 750021, China.
BMC genomics
|April 22, 2024
概括
这项研究介绍了scGAL,这是一个新的混合模型,集成了单细胞拷贝数和基因表达数据. scGAL可以准确地推断出癌症.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 瘤内部异质性 (ITH) 对于理解癌症演变至关重要.
- 单细胞复制号分析对ITH分析是有效的.
- scDNA-seq数据容易出现错误,阻碍了精确的ITH识别.
研究的目的:
- 从杂的单细胞数据中推断克隆复制号子结构的强大方法.
- 为了提高ITH分析,利用补充的OMIC数据.
主要方法:
- 引入了scGAL,这是一个混合模型,结合了自动编码器和生成对抗网络.
- 共同分析来自同一细胞系的单细胞拷贝数和基因表达数据.
- 利用对抗性学习来减轻拷贝数数据中的噪音,使用基因表达信息.
主要成果:
- scGAL从单细胞DNA测序数据中准确推断出克隆架构.
- 该模型超越了现有的方法,在真实癌症数据集上推断ITH.
- 在模拟中,在各种数据大小和分布中展示了高度的稳定性.
结论:
- 对单细胞拷贝数和基因表达数据的联合分析完善了ITH指示.
- 补充的奥米克信息增强了克隆拷贝数子结构的推断.
