scCaT:一种可解释的封装架构,用于从单细胞RNA测序转移到败血症诊断

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 人工智能在医学中的应用

背景情况:

• 败血症是一种具有高死亡率的严重疾病,需要准确及时诊断.
• 目前用于医疗任务的深度学习模型需要大量的数据,并且往往缺乏透明度,限制了它们在败血症诊断中的使用.
• 单细胞RNA测序 (scRNA-seq) 提供了高分辨率的基因表达数据,但存在分析挑战.

研究的目的:

• 介绍scCaT,一个新的深度学习框架用于败血症诊断.
• 通过将封装架构与转换器模型集成用于基因表达分析,利用可解释的AI.
• 为了证明模型在单细胞和大量RNA测序数据上的有效性.

主要方法:

• 开发了scCaT,这是一个深度学习框架,结合了用于基因分组的封装架构和用于分类的变压器解码器.
• 训练并验证了用于败血症诊断的单细胞RNA测序数据的模型.
• 将受过训练的模型转移到分析七个独立的散装RNA测序队列.

主要成果:

• 在单细胞测试组上,在接收器操作特征曲线 (AUROC) 下面面积为0.93的高诊断精度.
• 在批量RNA数据上表现出色,在七个队伍中平均AUROC为0.98.
• 该模型的囊识别了细胞类型和生物学途径,将败血症与对照样本区分开来,提供了可解释性.

结论:

• scCaT提供了使用RNA测序数据进行败血症诊断的准确和可解释的深度学习方法.
• 该框架有效地学习基因模块,并证明了在不同数据类型 (scRNA-seq 到散装RNA) 中的成功可转移性.
• 这种方法对在有限的患者数据下诊断罕见疾病具有前景.