scGO:可解释的深度神经网络用于细胞状态注释和疾病诊断

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:

• 单细胞RNA测序 (scRNA-seq) 揭示了细胞异质性,但面临着深度学习模型解释性的挑战.
• 这是一个很棒的节目,这是一个很棒的节目.
• 黑盒子是一个黑盒子.
• 当前模型的性质阻碍了准确的细胞状态注释.

研究的目的:

• 介绍scGO,一个基因本体学 (GO) 启发的深度学习框架,用于scRNA-seq数据中可解释的细胞状态注释.
• 通过可解释的AI模型,提高对细胞异质性和生物过程的理解.

主要方法:

• 开发了scGO,一个利用稀疏神经网络整合基因-GO术语关系的框架.
• 利用基因,转录因子和GO术语之间的内在生物关系来提高解释性.
• 纳入基因操纵用于治疗目标发现.

主要成果:

• scGO显著提高了解释性,并降低了scRNA-seq分析中的计算成本.
• 在不同数据集的细胞亚型表征中,在最先进的方法中表现出优越的性能.
• 在疾病诊断,发育阶段预测和老化和疾病严重程度评估方面表现出有效性.

结论:

• scGO提供了一个可解释的深度学习模型,用于在scRNA-seq.q.中准确的细胞状态注释.
• 该框架捕捉了潜在的生物知识,为临床实践和治疗目标识别提供了宝贵的见解.