交叉MP:通过基于Web的门户网站,实现单细胞RNA-Seq和单细胞ATAC-Seq之间的交叉方式翻译
Zhen Lyu1, Sabin Dahal1, Shuai Zeng1,2
1Department of Electrical Engineering and Computer Science, University of Missouri, Columbia, MO 65211, USA.
Genes
|July 27, 2024
概括
研究人员开发了一个深度学习模型,从基因表达数据中预测单细胞染色质可访问性,反之亦然. 这推动了多原子单细胞分析,克服了数据生成的挑战.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 分子生物学分子生物学
背景情况:
- 在单个细胞内同时对多个分子数据类型 (多分子模式) 进行分析,对于全面了解细胞状态至关重要.
- 整合单细胞RNA测序 (scRNA-seq) 和单细胞转移酶可访问的染色体测序 (scATAC-seq) 提供了比单模式分析更深入的生物学见解.
- 生成配对的多原子单细胞数据在技术上具有挑战性和昂贵,限制了其广泛的可用性.
研究的目的:
- 开发一个计算模型,用于单细胞转录组和染色体可访问性概况之间的交叉模式预测.
- 为了能够准确地预测一个模式从另一个模式,减轻需要昂贵的配对数据生成.
- 为研究人员提供一个可访问的工具,用于多组数据分析.
主要方法:
- 使用深度神经网络架构,从源单细胞数据模式中学习潜在表示.
- 该模型在scRNA-seq和scATAC-seq数据之间进行翻译,从另一个模式预测一个模式.
- 该模型的性能在多个配对的人类数据集中得到验证.
主要成果:
- 拟议的深度学习模型在转录组和染色体可访问性配置文件之间准确翻译方面表现出可靠的性能.
- 跨模式预测在各种人类单细胞数据集中实现了高准确性.
- 开发了一个基于Web的门户网站CrossMP,以便用户友好地访问预测模型.
结论:
- 开发的模型有效地弥合了不同单细胞奥米克数据类型之间的差距,促进了多原子分析.
- 交叉MP为研究人员提供了一个宝贵的资源,以预测缺失的模式,提高现有的单细胞数据集的实用性.
- 这种方法使多原子数据分析民主化,使更广泛的科学探索成为可能,而无需对数据生成.
