通过深度转移图形卷积网络集成未配对的单细胞奥米克数据

科学领域:

• 计算生物学是一种计算生物学.
• 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:

• 大规模的单细胞RNA测序 (scRNA-seq) 和单细胞染色体可访问性 (scATAC-seq) 数据提供了深刻的生物学见解.
• 在这些模式之间转移标签对于探索单细胞奥米克数据至关重要.
• 目前的标签转移方法与细粒细胞种群和数据集异质性作斗争.

研究的目的:

• 提出一个强大的深度传输模型,scTGCN,用于在scRNA-seq和scATAC-seq数据之间准确的标签传输.
• 改善在跨模式标签转移期间生物变异的保存.
• 为了使大规模的单细胞omics数据集能够高效地集成.

主要方法:

• 开发了基于图形卷积网络 (GCNs) 的深度传输模型.
• 实现了scTGCN用于scRNA-seq和scATAC-seq数据集之间的标签传输.
• 在小鼠地图数据和多模式APSA-seq和CITE-seq数据上评估性能.

主要成果:

• scTGCN在保护生物多样性方面表现出多样性.
• 在几分钟内实现了成千上万个细胞的集成,而内存消耗较低.
• 展示了高标签传输准确性和有效的知识传输在不同的模式.

结论:

• scTGCN提供了一种强大的解决方案,用于整合和分析多式联网单细胞数据.
• 该模型有效地解决了当前标签转移方法的局限性.
• 使用单细胞奥米克数据集,能够对复杂的生物机制进行强大而高效的探索.