scMGATGRN:一种基于多视图注意力网络的方法,用于从单细胞转录组数据推断基因调节网络
Lin Yuan1,2,3, Ling Zhao1,2,3, Yufeng Jiang1,2,3
1Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology (Shandong Academy of Sciences), 3501 Daxue Road, 250353, Shandong, China.
Briefings in bioinformatics
|October 17, 2024
概括
我们开发了scMGATGRN,这是一种新的深度学习模型,可以从单细胞数据中推断基因调节网络 (GRNs). 这种方法通过更好地利用图形拓和多视图信息来改进现有方法,以便更准确地推断GRN.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 系统生物学 系统生物学
背景情况:
- 基因调节网络 (GRNs) 对于理解细胞动态和疾病机制至关重要.
- 深度学习 (DL) 方法已经从单细胞转录基因数据中推断了高级GRN推断.
- 现有的DL方法往往忽略了图形拓和高阶邻近信息.
研究的目的:
- 提出一种新的深度学习模型,scMGATGRN,用于改进GRN推理.
- 通过结合多视图图的注意力来解决当前DL方法的局限性.
- 增强图形拓和多序邻近信息的利用.
主要方法:
- 开发了scMGATGRN,一个多视图图表注意力网络模型.
- 集成图表注意网络 (GAT) 用于特征提取.
- 采用多视图方法,关注视图层面的功能聚合.
主要成果:
- 与其他10种方法相比,scMGATGRN表现优越.
- 在七个基准单细胞RNA测序 (scRNA-seq) 数据集上进行评估.
- 在GRN推断中表现优于浅层学习和基于DL的最新方法.
结论:
- scMGATGRN有效地从scRNA-seq数据中推断出基因调节网络.
- 该模型的架构增强了复杂的监管关系的捕获.
- scMGATGRN显示了促进GRN研究和疾病机制研究的巨大潜力.
更多相关视频
06:24Multiplexed Analysis of Retinal Gene Expression and Chromatin Accessibility Using scRNA-Seq and scATAC-Seq
Published on: March 12, 2021
3.5K
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
