X-scPAE:一种可解释的深度学习模型,用于基于单细胞转录组学的胚胎血统分配预测,揭示胚胎细胞发育中的关键基因
Kai Liao1, Bowei Yan2, Ziyin Ding3
1The Central Laboratory of Birth Defects Prevention and Control, The Affiliated Women and Children's Hospital of Ningbo University, Ningbo, 315021, China; Ningbo Key Laboratory for the Prevention and Treatment of Embryogenic Diseases, The Affiliated Women and Children's Hospital of Ningbo University, Ningbo, 315021, China; Ningbo Key Laboratory of Genomic Medicine and Birth Defects Prevention, The Affiliated Women and Children's Hospital of Ningbo University, Ningbo, 315021, China; MOE Engineering Research Center of Gene Technology, School of Life Sciences, Fudan University, Shanghai, 200433, China.
Computers in biology and medicine
|February 13, 2025
概括
这项研究介绍了X-scPAE,这是一种新的深度学习模型,用于使用单细胞转录组学预测细胞系分配. 它准确地识别关键基因,有助于理解细胞分化,并可能减少流产.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 发展生物学 发展生物学
背景情况:
- 在单细胞转录学中,准确的细胞系预测对于理解分化至关重要.
- 识别特定基因表达的基因表达差异对于发育生物学和早期妊娠损失研究至关重要.
研究的目的:
- 开发一种可解释的深度学习模型,用于预测人类和小鼠单细胞转录组数据中的细胞系分配.
- 识别和解释负责血统差异和发育阶段的关键基因.
主要方法:
- 推出了基于PCA的深度学习注意力自编码模型X-scPAE (eXplained单细胞PCA - 注意力自编码器).
- 集成了反事实梯度归因 (CGA) 算法用于特征重要性计算.
- 使用了带有注意力机制的自动编码器来提取特征,并使用PCA来减少维度.
主要成果:
- X-scPAE实现了高精度 (0.945测试,0.977验证) 并超过了现有的基线和先进方法.
- 可解释性分析确定了人类和小鼠的关键血统预测基因.
- 使用提取基因的后勤回归模型实现了0.92的AUROC,超过了其他特征提取技术.
结论:
- 在单细胞转录学中,X-scPAE为细胞系预测和关键基因识别提供了一种强大而可解释的方法.
- 该模型提取生物相关基因的能力对理解细胞分化和减少妊娠损失有影响.
- 废弃性研究证实了每个组件对模型整体有效性的贡献.
