可解释的深度神经网络用于从单细胞转录组学预测样本表型
Jordi Martorell-Marugán1,2, Raúl López-Domínguez1, Juan Antonio Villatoro-García1,3
1GENYO, Centre for Genomics and Oncological Research: Pfizer / University of Granada / Andalusian Regional Government, PTS Granada, Avenida de la Ilustración 114, Granada 18016, Spain.
Briefings in bioinformatics
|January 15, 2025
概括
我们开发了singleDeep,这是一个深度学习管道,用于分析单细胞RNA测序数据. 它准确地预测样本的表型,并确定狼和阿尔茨海默氏症等疾病的关键基因.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 单细胞RNA测序 (scRNA-Seq) 提供了对细胞表型的高分辨率分子洞察力.
- 分析scRNA-Seq数据存在挑战,因为数据具有独特的特性,需要先进的统计方法.
- 现有的样本分类方法通常不适合scRNA-Seq数据,突出显示需要新的算法.
研究的目的:
- 开发一个端到端的管道,singleDeep,用于简化分析和对scRNA-Seq数据进行深度神经网络培训.
- 以使用scRNA-Seq数据进行样本表型的可靠预测和表征.
- 克服当前scRNA-Seq分析方法的可用性和分析能力的局限性.
主要方法:
- 开发了singleDeep,这是一个用于scRNA-Seq数据分析的集成管道.
- 利用深度神经网络进行表型预测和表征.
- 应用单个Deep到scRNA-Seq从系统性红斑狼,阿尔茨海默病和COVID-19的数据集.
主要成果:
- singleDeep在内部和外部验证的多种疾病数据集中表现出强大的诊断性能.
- 该管道的性能优于传统的机器学习和替代单细胞分析方法.
- singleDeep提供了关于细胞类型特定基因对表型特征的重要性的宝贵见解.
结论:
- singleDeep为scRNA-Seq数据分析和表型预测提供了一个强大的,用户友好的解决方案.
- 该管道有效地识别疾病相关的基因和细胞类型,推进精准医学.
- 单个Deep发现细胞类型特定基因作用的能力提高了对复杂疾病的理解.
