scMMAE:面具交叉关注网络,用于单细胞多模式omics的融合,以增强单模式omics
Dian Meng1,2, Yu Feng3, Kaishen Yuan1
1Guangdong Provincial Key Laboratory of Mathematical and Neural Dynamical Systems, Great Bay University, No. 16 Daxue Rd, Songshanhu District, Dongguan, Guangdong, 523000, China.
Briefings in bioinformatics
|January 24, 2025
概括
一个新的框架,scMMAE,有效地整合了多模组数据 (转录组和蛋白质组),并增强了单模分析. 这种方法捕捉了共同和独特的特征,改善了细胞类型识别,特别是T细胞.
科学领域:
- 单细胞生物学 单细胞生物学
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
背景情况:
- 多模组学,特别是转录组学和蛋白组学,提供了深刻的生物学见解.
- 现有的单细胞多式联络的计算方法往往侧重于对齐,忽视独特的模式信息.
- 通过从多式联网数据转移知识来增强单式联网数据分析至关重要,因为许多数据集都是单式联网的.
研究的目的:
- 提出一个新的框架,scMMAE (单细胞多式联络蒙面自动编码器),用于融合多式联络数据.
- 通过利用从多式联络数据中学到的知识来增强单式联络数据分析.
- 为了捕捉单细胞体内共享和独特的特征omics模式.
主要方法:
- 开发了scMMAE,一个使用带有交叉注意力机制的蒙面自动编码器的框架.
- 实现了scMMAE,同时处理和整合转录组学和蛋白质组学数据.
- 应用 scMMAE 转移学到的知识,以改善单细胞转录组分析.
主要成果:
- scMMAE在多式联络融合方面取得了显著的改进,调整后的兰德指数增加了21%,正常化的相互信息增加了12%.
- 对于单模式的奥米克分析,scMMAE在调整后的兰德指数中提高了约20%,在正常化的相互信息中提高了10%.
- scMMAE显示出优异的细胞类型区别,特别是CD4和CD8T细胞,通过多种指标验证.
结论:
- scMMAE有效地融合了多模式单细胞数据,并增强了单模式分析.
- 该框架成功地捕获了共享和模式特定的信息,从而改善了生物洞察力.
- scMMAE提供了一个强大的工具,用于推进单细胞奥米克研究,随时可用的源代码.
