scBOL:用于单细胞和空间转录组学数据的通用细胞类型识别框架

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:

• 单细胞转录组技术使得高通量基因表达造型能够实现.
• 准确的细胞类型识别对于理解组织异质性和细胞状态至关重要.
• 现有的方法与新型细胞类型和空间转录组数据作斗争,经常忽视空间组织和批量效应.

研究的目的:

• 解决目前单细胞和空间转录组的细胞类型识别方法的局限性.
• 提出一个通用的细胞类型识别任务,标记已知的细胞类型和集群新的细胞类型.
• 开发一种多功能,端到端的算法,用于在各种转录数据中准确的细胞类型注释.

主要方法:

• 提出了一个新的任务:为单细胞和空间转录组学提供通用细胞类型识别.
• 开发了scBOL,这是一个基于Bipartite原型对齐的端到端算法.
• 采用了相互接近的集群识别,循环一致的语义挖掘和邻居意识的原型学习.

主要成果:

• scBOL有效地将彼此最近的集群识别为共同的细胞类型,并为结构关联挖掘语义.
• 邻居意识的原型学习范式增强了集群间的分离性和集群内部的紧性.
• 广泛的基准表明scBOL在非空间和空间转录学中优于最先进的方法.

结论:

• scBOL提供了一个全面的算法框架,用于在各种单细胞数据类型中实现通用细胞类型识别.
• 该方法成功地对齐已知的细胞类型,并分离新型细胞类型,优于现有的方法.
• scBOL 是用Python (Pytorch) 实现的,并且是公开可用的,这有助于其在转录数据分析中的应用.