一个关于跨单细胞欧米模式的扰动建模的小综述
George I Gavriilidis1, Vasileios Vasileiou1,2, Aspasia Orfanou1
1Institute of Applied Biosciences, Centre for Research and Technology Hellas, Thessaloniki, Greece.
概括
单细胞扰动建模使用机器学习来了解外部因素如何影响细胞. 本综述涵盖了新技术,计算方法以及这个快速发展的领域的未来方向.
科学领域:
- 细胞和分子生物学 细胞和分子生物学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 单细胞奥米克技术已经推进了细胞特征.
- 扰动模型的目的是了解外部对细胞生理学的影响.
- 机器和深度学习对于分析复杂的扰动数据至关重要.
研究的目的:
- 审查单细胞扰动技术和计算方法.
- 突出该领域的挑战和未来前景.
- 为导航这个不断扩大的领域的研究人员提供指南.
主要方法:
- 对基因操纵技术 (例如,CRISPR) 和基于化合物的扰动进行审查.
- 对计算方法的调查,包括统计推断,机器学习 (浅层模型,自动编码器) 和基因调控网络.
- 讨论基础模型和集体学习策略.
主要成果:
- 多种单细胞扰动技术的总结. 跨欧米模式.
- 对广泛的计算方法的概述,从经典到深度学习和生物知情方法.
- 识别新兴趋势,如大型基础模型.
结论:
- 单细胞扰动建模是一个快速发展的领域,具有巨大的潜力.
- 未来的方向包括扰动图谱,多omics,空间数据和因果机器学习.
- 解决可解释性,互操作性和基准测试方面的挑战对于未来的进展至关重要.
