一个基于物理学的神经SDE网络,用于从时间序列scRNA-seq数据中学习细胞动态
1Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100190, China.
Bioinformatics (Oxford, England)
|September 4, 2024
概括
我们介绍PI-SDE,一个基于物理的框架,用于从单细胞RNA测序数据中重建细胞潜在能量景观. 这种方法提高了预测准确度和细胞分化动态的生物解释性.
科学领域:
- 计算生物学 计算生物学
- 系统生物学 系统生物学
- 单细胞基因组学 单细胞基因组学
背景情况:
- 从时间序列单细胞RNA测序 (scRNA-seq) 数据中重建细胞潜在能量景观 (瓦丁顿景观) 对于理解细胞动态至关重要.
- 目前的数据驱动方法往往缺乏物理原理,限制了预测的准确性和可解释性.
研究的目的:
- 开发一个基于物理学的框架,PI-SDE,用于准确和可解释的细胞动态重建.
- 将物理原理,特别是汉密尔顿-雅各比方程整合到神经随机微分方程中,用于从scRNA-seq数据中学习.
主要方法:
- 提出PI-SDE,一个基于物理学的神经随机微分方程 (SDE) 框架.
- 结合汉密尔顿 - 雅各比 (HJ) 方程与神经SDE,强制执行HJ方程以根据潜在能量理论重建细胞潜在能量函数.
- 将最少行动原则纳入学习过程.
主要成果:
- 在实时scRNA-seq数据集上,PI-SDE证明了基因表达在持久时间点上的预测准确度有所提高.
- 重建的潜在能量景观为细胞分化提供了生物学上可解释的见解.
- 该框架显示了增强的模型性能,稳定性和稳定性.
结论:
- 在scRNA-seq数据分析中,纳入HJ规范化术语对于准确的动态推理和预测至关重要.
- PI-SDE提供了一个强大的和可解释的方法来建模细胞分化动态.
- 该PI-SDE软件是公开可用的,用于更广泛的研究应用.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
2.1K
09:44Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology
Published on: March 8, 2024
4.7K
