综合单细胞RNA-seq分析使用深度可解释的生成建模,以生物层次知识为指导
Hegang Chen1, Yuyin Lu1, Zhiming Dai1
1School of Computer Science and Engineering, Sun Yat-sen University, 132 Waihuan East Road, Guangzhou University Town, 510006, Guangzhou, China.
Briefings in bioinformatics
|July 3, 2024
概括
我们介绍了d-scIGM,它是一个深度可解释的生成模型,用于单细胞转录组数据. 它增强了细胞异质性的生物学解释和分析,优于现有的方法.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 单细胞技术使细胞异质性的探索成为可能.
- 深度学习,特别是生成模型,已经推进了转录组数据分析.
- 现有的生成模型往往缺乏可解释性和深度,限制了生物学见解.
研究的目的:
- 开发一个深度可解释的生成模型 (d-scIGM),用于增强单细胞数据分析.
- 提高生物解释性和分析能力,超越现有的浅层模型.
- 将d-scIGM应用于集群,可视化和药物反应分析等多种任务.
主要方法:
- 开发了d-scIGM,一个使用牙连接和剩余网络的深度生成框架.
- 纳入分层生物领域的先前知识,以提高可解释性.
- 对聚类,可视化,伪时间推断和药物反应数据的评估性能.
主要成果:
- 在集群,可视化和伪时间推理方面,d-scIGM表现出卓越的性能.
- 从d-scIGM学习的主题被显著丰富为生物学上有意义的途径.
- 在黑色素瘤数据集中成功捕获了药物反应模式,并确定了关键基因/通路.
结论:
- d-scIGM为单细胞数据分析提供了一种强大且易于解释的方法.
- 该模型有助于更深入地了解细胞异质性和生物机制.
- 在药物开发和疾病机制阐明方面,d-scIGM显示出前景.
