GRouNdGAN:使用因果生成对抗网络对单细胞RNA-seq数据进行GRN引导的模拟

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 基因组学就是基因组学.

背景情况:

• 单细胞RNA测序 (scRNA-seq) 生成的高维数据对于理解细胞异质性至关重要.
• 对scRNA-seq数据的准确模拟对于开发和基准测试计算方法至关重要,特别是对于基因调控网络 (GRN) 推断.
• 现有的模拟方法往往难以捕捉生物系统中的复杂,因果关系.

研究的目的:

• 介绍GRouNdGAN,一种用于模拟scRNA-seq数据的新型生成模型.
• 为了使in silico扰动实验,如转录因子 (TF) 淘汰.
• 为使用生物现实的模拟数据对GRN推理算法进行基准测试提供一个强大的平台.

主要方法:

• GRouNdGAN采用基因调节网络 (GRN) 引导的,基于参考的因果隐含生成模型.
• 模型架构包含用户定义的GRN来指导模拟过程.
• 在六个实验性scRNA-seq参考数据集上进行了培训.

主要成果:

• GRouNdGAN成功模拟了稳态和瞬态scRNA-seq数据,反映了TF控制下的因果基因表达.
• 该模型捕捉了非线性TF基因依赖性,并保留了关键的生物特征,如细胞轨迹和伪时间排序.
• 模拟数据准确地反映了技术和生物噪声,没有明确的参数化.
• 在 silico TF 淘汰赛实验成功进行,证明了该模型的预测能力.

结论:

• GRouNdGAN提供了一个强大的工具,用于生成高可靠性,生物相关的scRNA-seq数据.
• 该模型有效地弥合了模拟和真实生物数据之间的差距,用于对GRN推断进行基准测试.
• GRouNdGAN为推进GRN推理和计算生物学领域提供了黄金标准的基准真相数据.