使用深度神经网络训练动态解释单细胞和空间奥米克数据.

科学领域:

• 计算生物学 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:

• 准确的单元格注释对于解释单元格和空间奥米克数据至关重要.
• 目前的注释方法面临的挑战是由于数据噪声,稀疏性和异质细胞群的离散标签中固有的模糊性.

研究的目的:

• 开发一个计算框架,Annotatability,用于识别注释不匹配和表征生物数据结构.
• 通过捕捉与特定信号相关联的细胞群体,使生物信号的强大下游分析成为可能.

主要方法:

• 开发了Annotatability,这是一个监测深度神经网络训练动态的框架,以评估注释难度和识别不匹配.
• 实施了一种信号感知图嵌入方法,以捕捉与生物信号相关的细胞社区.
• 在八个单细胞RNA测序和空间奥米克数据集中验证了该方法.

主要成果:

• 在复杂数据集中识别出错误的细胞注释和中间细胞状态.
• 通过分析细胞异质性,成功地划定了发育和疾病轨迹.
• 证明了框架捕捉和解释集体细胞行为的能力.

结论:

• 可注释性提供了一个强大的工具,用于评估细胞注释在omics研究的可靠性.
• 该框架有助于更深入地了解细胞多样性和健康和疾病中的生物过程.
• 注释-可训练性分析为解释复杂的生物数据提供了一个新的范式.