通过低资源意识的表示学习,统一的T细胞受体和T细胞转录组的跨模式集成和分析
Yicheng Gao1, Kejing Dong1, Yuli Gao1
1Key Laboratory of Spine and Spinal Cord Injury Repair and Regeneration (Tongji University), Ministry of Education, Tongji Hospital, School of Medicine, Frontier Science Center for Stem Cell Research, Bioinformatics Department, School of Life Sciences and Technology, Tongji University, Shanghai 200092, China; State Key Laboratory of Cardiology and Medical Innovation Center, Shanghai East Hospital, Frontier Science Center for Stem Cell Research, Bioinformatics Department, School of Life Sciences and Technology, Tongji University, Shanghai 200092, China.
UniTCR集成了单细胞RNA测序 (scRNA-seq) 和T细胞受体测序 (TCR-seq) 数据. 这种新的框架可以通过克服低资源多式联络数据集成的计算挑战,实现全面的T细胞分析.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 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) 和T细胞受体测序 (TCR-seq) 对于理解T细胞异质性至关重要.
- 整合scRNA-seq和TCR-seq数据提供了更深入的免疫学见解,但由于低资源的多式联络数据,这也带来了计算挑战.
- 现有的方法难以有效地整合这些不同的数据模式.
研究的目的:
- 引入UniTCR,这是一个新的低资源意识的多式模式表示学习框架,用于scRNA-seq和TCR-seq数据的统一跨模式集成.
- 通过有效地将T细胞转录组与TCR序列连接起来,实现全面的T细胞分析.
- 解决与多式联运生物数据集成相关的计算挑战.
主要方法:
- 开发了一个名为UniTCR的低资源意识的多式联运代表学习框架.
- 实现了一种双模态对比式学习模块,将数据嵌入到一个共同的潜在空间中.
- 整合了一个单模保存模块,以维护模式特定的信息.
主要成果:
- UniTCR成功地以低资源意识的方式集成scRNA-seq和TCR-seq数据.
- 该框架在各种任务中表现出了多功能性:单模式分析,模式差距分析,表位-TCR绑定预测和TCR概况跨模式生成.
- 对多个配对数据集的广泛评估证实了UniTCR在探索免疫系统复杂性的卓越表现.
结论:
- UniTCR提供了一种有效的解决方案,用于整合多式联网单细胞数据,克服了以前的计算限制.
- 该框架有助于更全面地了解T细胞生物学和免疫反应.
- UniTCR能够将转录组和TCR目录数据连接起来,这为免疫学研究开辟了新的途径.
相关概念视频
T Cell Activation and Clonal Selection
Naive T cells that have not yet encountered an antigen express two primary CD...
Diversity of Antigen Receptors
Before encountering any antigen, lymphocytes express these receptors. On B cells, the antigen receptor is a membrane-bound antibody molecule called BCR; on T cells, it is a T cell receptor or TCR. B and T cell receptors are composed of two...


