使用可解释的深度学习技术进行高维单细胞多式数据的整合分析的协议.
Manqi Zhou1, Hao Zhang2, Zilong Bai3
1Department of Computational Biology, Cornell University, Ithaca, NY 14853, USA; Institute of Artificial Intelligence for Digital Health, Weill Cornell Medicine, New York, NY 10021, USA.
STAR protocols
|May 15, 2024
概括
本研究介绍了moETM,这是一种可解释的深度学习方法,用于分析单细胞多omics数据. 该协议可实现集成分析,路径知识的包含,以及对高维数据集的跨-omics赋值.
科学领域:
- 单细胞生物学 单细胞生物学
- 生物信息学是一种生物信息学.
- 计算生物学是一种计算生物学.
背景情况:
- 单细胞多基因测序允许从单个细胞中利用多种数据类型.
- 分析高维的多式单细胞数据带来了重大的计算挑战.
- 现有的方法可能缺乏可解释性或难以整合多种omics层.
研究的目的:
- 提出一个高维单细胞多式数据综合分析的协议.
- 引入moETM,这是一个可解释的深度学习技术,用于多omics集成.
- 用骨髓单核细胞数据来证明该协议的应用.
主要方法:
- 开发和应用moETM深度学习框架.
- 协议包括数据预处理,多omics集成和路径知识整合.
- 协议中详细介绍了跨学科的归算策略.
- 使用来自骨髓单核细胞的单细胞多组数据 (GSE194122) 的演示.
主要成果:
- 该moETM协议促进了单细胞多omics数据的可解释整合.
- 该方法允许包括先前的生物通路知识.
- 跨学科的归算提高了数据的完整性和分析能力.
- 在相关的生物数据集上证明了成功的应用.
结论:
- 提出的协议和moETM为单细胞多omics数据分析提供了一个强大的方法.
- 这种方法通过整合各种omics模式来增强生物洞察力.
- moETM的可解释性有助于理解复杂的细胞异质性.
更多相关视频
06:01Visualization and Quantification of High-Dimensional Cytometry Data using Cytofast and the Upstream Clustering Methods FlowSOM and Cytosplore
Published on: December 12, 2019
8.5K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.2K