使用 scLAMBDA 建模和预测单细胞多基因扰动反应.

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 分子生物学分子生物学

背景情况:

• 了解细胞对遗传变化的反应是基因调节和表型研究的关键.
• 单细胞RNA测序 (scRNA-seq) 提供了详细的见解,但需要先进的计算工具来解码机制和预测结果.
• 预测扰动效应对于高效的实验设计至关重要.

研究的目的:

• 介绍scLAMBDA,这是一个深度生成学习框架,用于建模和预测单细胞对遗传干扰的转录反应.
• 利用大型语言模型整合先前的生物学知识,并从扰乱效应中解脱细胞状态.
• 为预测单基因和组合基因扰乱的结果提供一个多功能工具.

主要方法:

• 开发了scLAMBDA,这是一个深度生成学习框架,利用来自大型语言模型的基因嵌入.
• 将先前的生物学知识集成到模型中,以区分基底细胞状态和扰乱特定表示.
• 在多个单细胞CRISPR Perturb-seq数据集上评估了scLAMBDA.

主要成果:

• 在更高准确度预测扰动结果方面,scLAMBDA 始终优于现有方法.
• 证明了对新型基因和扰动的强有力的概括.
• 成功捕获了平均表达变化和单细胞反应的异质性.

结论:

• scLAMBDA是一个强大的计算工具,用于预测细胞对遗传干扰的反应.
• 它的预测促进了下游分析,例如识别差异表达的基因和探索遗传相互作用.
• 该框架通过优先考虑基因干扰研究的目标基因来增强实验设计.