KanCell:通过集成的单细胞和空间转录学来剖析生物组织中的细胞异质性
Zhenghui Wang1, Ruoyan Dai1, Mengqiu Wang1
1Academy of Artificial Intelligence, Beijing Institute of Petrochemical Technology, Beijing 102617, China.
Journal of genetics and genomics = Yi chuan xue bao
|November 22, 2024
概括
KanCell是一个新的深度学习模型,通过整合单细胞RNA测序和空间转录组学 (ST) 数据来增强细胞异质性分析. 它准确地捕捉复杂的生物模式,并为ST数据分析提供计算效率.
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.
- 生物信息学是一种生物信息学.
背景情况:
- 空间转录学 (ST) 在组织环境中提供基因表达数据,对于理解细胞相互作用和微环境至关重要.
- 需要有效的计算模型来充分利用ST数据在生物发现方面的潜力.
- 分析细胞异质性是理解生物系统和疾病机制的关键.
研究的目的:
- 介绍KanCell,一种利用科尔莫戈罗夫-阿诺德网络 (KAN) 的新型深度学习模型,用于增强细胞异质性的分析.
- 评估KanCell在整合单细胞RNA测序和ST数据方面的表现.
- 为了证明KanCell在ST数据分析的准确性和计算效率方面优于现有方法.
主要方法:
- 开发KanCell,这是一个基于科尔摩戈罗夫-阿诺德网络 (KAN) 的深度学习模型.
- 单细胞RNA测序和空间转录组学 (ST) 数据的整合.
- 使用模拟数据集和来自STARmap,Slide-seq,Visium和空间转录学技术的真实世界ST数据进行评估.
主要成果:
- 与现有方法相比,KanCell在多个评估指标 (PCC,SSIM,COSSIM,RMSE,JSD,ARS,ROC) 上表现优越.
- 该模型在不同的电池数量和背景噪声水平上表现出强大的性能.
- 康塞尔成功应用于各种人类和小鼠组织,包括淋巴结,心脏,癌症,脑组织和胚胎大脑.
结论:
- KanCell是空间转录学数据分析的准确和高效工具,有效地捕获非线性关系.
- 该模型提高了数据的准确性,并解决了细胞类型的组成,增强了细胞异质性的研究.
- KanCell有助于澄清疾病微环境和确定治疗点,解决复杂的生物挑战.
