血统VAE:重建历史细胞状态和转录组,朝着未被观察到的祖先
Koichiro Majima1, Yasuhiro Kojima2, Kodai Minoura3
1Division of Systems Biology, Nagoya University Graduate School of Medicine, Nagoya, Aichi 466-8550, Japan.
Bioinformatics (Oxford, England)
|August 22, 2024
概括
LineageVAE使用深度学习和谱系条形码重建细胞状态转换. 这种计算方法揭示了历史的转录组和调节动态,克服了破坏性单细胞RNA测序的局限性.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 分子生物学分子生物学
背景情况:
- 单细胞RNA测序 (scRNA-seq) 提供细胞状态特征,但具有破坏性,限制了动态过程分析.
- 现有的谱系追踪方法提供有限的克隆洞察力,由于稀疏的观察和非相同的祖先.
- 在单细胞分析中,重建动态细胞状态转换和历史转录组仍然是一个挑战.
研究的目的:
- 开发一种新的计算方法,LineageVAE,以克服使用scRNA-seq数据分析动态细胞过程的局限性.
- 为了使无法观察到的细胞状态转换能够重建,并以单细胞分辨率推断历史转录组.
- 根据差异化轨迹推断祖先异质性和调节动力学.
主要方法:
- LineageVAE是一个深度生成模型,使用来自scRNA-seq数据的相同血统条形码.
- 该模型将观察结果转化为潜细胞状态空间中的顺序轨迹.
- 在Python中使用PyTorch深度学习库实现.
主要成果:
- LineageVAE重建了无法观察到的细胞状态过渡和历史转录组.
- 该方法推断出祖先异质性和转录因子活性.
- 对血液形成和重编程纤维细胞数据集的成功应用证明了向后细胞状态过渡恢复.
结论:
- LineageVAE提供了一种强大的计算方法来研究以前无法使用scRNA-seq.q.访问的动态细胞过程.
- 该方法允许单细胞分辨率重建细胞状态轨迹和调节动态.
- 这项工作促进了对细胞状态分歧和分化的理解.
