SFINN:从单细胞和空间转录基因数据推断基因调控网络,具有共享因子社区和集成的神经网络

科学领域:

• 基因组学就是基因组学.
• 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) 能够进行详细的细胞类型特定基因调控网络 (GRN) 构建.
• 在scRNA-seq数据中的噪音和技术错误阻碍了准确的GRN推断.
• 单细胞和空间转录组学的进步促进了对GRN推断的监督深度学习方法的开发.

研究的目的:

• 引入一种新的深度学习框架,SFINN,用于从单细胞和空间转录组数据推断基因调节网络.
• 解决GRN推断中因数据噪声和scRNA-seq.的技术错误造成的挑战.
• 开发一种能够预测转录因子和目标基因之间的潜在相互作用和因果关系的方法.

主要方法:

• 开发了SFINN,这是一个深度学习框架,集成了共享因素社区和神经网络.
• 使用基因表达数据和空间位置信息构建细胞邻近网络.
• 采用图形卷积神经网络和完全连接的神经网络来预测基因相互作用.

主要成果:

• 从单细胞和空间转录组数据中,SFINN准确地推断出基因相互作用和因果关系.
• 性能评估显示,SFINN与现有的GRN重建算法具有竞争力.
• 证明了SFINN在各种单细胞和空间转录基因数据集中的可用性.

结论:

• SFINN 是一种强大而通用的工具,用于从各种转录组数据类型中推断GRN.
• 该框架有效地处理scRNA-seq数据中固有的噪音和学现象.
• 通过精确的GRN重建,SFINN推进了细胞异质性和基因调节的研究.