阿特米斯集成了自编码器和施罗丁格桥以预测基因表达的连续动态,从时间序列单细胞数据中预测细胞群和扰动

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 系统生物学 系统生物学

背景情况:

• 细胞过程 (发育,分化,疾病) 是复杂而动态的,涉及基因表达和细胞群变化.
• 单细胞RNA测序 (scRNA-seq) 提供了细胞分辨率,但由于离散的,破坏性的快照,时间洞察力有限.
• 从scRNA-seq数据中重建细胞轨迹和理解动态仍然具有挑战性.

研究的目的:

• 开发ARTEMIS,一种用于重建细胞轨迹和利用scRNA-seq数据建模动态细胞过程的生成模型.
• 为了揭示基因表达动态,并恢复细胞群的变化随着时间的推移.
• 确定驱动细胞轨迹中的决定性表达趋势的关键基因.

主要方法:

• 阿特米斯集成了一个变化自编码器 (VAE) 与不平衡的扩散施罗丁格桥 (uDSB).
• VAE将scRNA-seq数据映射到连续的潜空间,通过随机微分方程 (SDEs) 进行轨迹重建.
• 神经网络估计细胞死亡率以建模人口动态;漂移功能捕获基因表达趋势.

主要成果:

• 在不同的scRNA-seq数据集 (胰腺细胞分化,斑马鱼胚胎生成,EMT) 中,ARTEMIS的性能优于先进的方法.
• 该模型准确地恢复了随着时间的推移相对细胞群的变化.
• 阿尔特米斯确定了"漂移"基因,这些基因驱动着决定性表达趋势,并影响像EMT这样的过程,通过in silico扰动进行验证.

结论:

• 从scRNA-seq数据中重建细胞轨迹和理解动态生物过程,ARTEMIS提供了一个强大的框架.
• 该模型有效地揭示了基因表达动态,细胞群体的变化,并确定了关键的调节基因.
• 阿特米斯提供了对发展,分化和疾病背后的复杂细胞机制的宝贵见解.