使用1D卷积神经网络集成单细胞多模式表观基因组数据
Chao Gao1, Joshua D Welch1,2
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, MI 48109, United States.
Bioinformatics (Oxford, England)
|January 17, 2025
概括
我们开发了ConvNet-VAEs,这是一个使用1D卷积变异自编码器 (VAE) 集成多式表观基因组数据的新框架. 这种方法改善了单细胞表观基因组的尺寸缩小和批量校正.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
背景情况:
- 单细胞多模式表观基因组分析同时测量多个组素修饰和染色质可访问性.
- 整合这些多样化的表观基因组数据集对于理解细胞类型变异至关重要.
- 现有的整合方法并没有针对多式联络表观遗传学数据的独特特征进行优化.
研究的目的:
- 开发一种用于整合单细胞多模式表观基因组数据的新框架.
- 用卷积变化自编码器将这些数据建模为多通道序列信号.
- 改善表观基因组数据集的尺寸缩小和批量校正.
主要方法:
- 开发了ConvNet-VAEs,一个使用1D卷积变量自编码器 (VAE) 的框架.
- 应用ConvNet-VAEs到纳米-CUT&Tag和单细胞纳米体绑定的转换测序数据.
- 评估了小鼠大脑和人类骨髓数据集的性能.
主要成果:
- 与现有架构相比,ConvNet-VAEs显示出更高的维度减少和批次校正.
- 性能优势随着分析表观遗传学模式的数量增加而增加.
- 更深的卷积架构提高了性能,而更深的完全连接架构显示了退化.
结论:
- ConvNet-VAE为整合单细胞多模式表观基因组数据提供了一个有前途的方法.
- 卷积自编码器非常适合当前和未来的表观基因组数据集.
- 该框架在数据集成方面提供了更高的效率和性能.
