用 scAGDE 在多任务中阐明单细胞表观遗传调节的拓识别和解释
Gaoyang Hao1, Yi Fan1, Zhuohan Yu1
1School of Artificial Intelligence, Jilin University, Jilin, China.
Nature communications
|February 16, 2025
概括
scAGDE是一种新的深度学习方法,通过改进细胞聚类和识别调控元素来增强单细胞色素可访问性分析. 它克服了数据稀缺性,揭示了免疫和脑细胞中隐藏的调节格局.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
背景情况:
- 单细胞ATAC-seq (scATAC-seq) 提供了对基因调节和细胞异质性的洞察.
- 挑战包括由于序列深度低而导致数据稀疏性和高维度,这阻碍了监管元素的表征.
- 现有的方法难以处理掉队事件,并识别微妙的监管区域.
研究的目的:
- 为单细胞染色体可访问性数据开发一种新的深度图表表示学习方法.
- 同时学习数据表示和执行细胞聚类.
- 改进基因调节元件的识别和表征.
主要方法:
- 开发了scAGDE (单细胞染色体可访问性图表深度自编码器),这是一个深度图表表示学习框架.
- 明确建模了用于联合表示和聚类的数据生成过程.
- 将scAGDE应用于各种scATAC-seq数据集,包括免疫细胞和人类大脑组织.
主要成果:
- 在细胞分离,标记物识别和可视化方面,scAGDE的性能优于现有的方法.
- 该方法有效地缓解了学事件,并揭示了以前隐藏的可访问的染色体区域.
- 在免疫细胞中确定了调节CTLA4和CD8A的增强剂类区域.
- 在基于 cis 调节元件的基础上,在人类大脑组织中成功注释了细胞类型.
结论:
- scAGDE是分析单细胞染色质可访问性数据的强大工具,比现有方法提供更高的性能.
- 该模型有效阐明复杂的监管环境,并确定细胞类型特定的监管元素.
- scAGDE促进了对复杂组织中基因调节和细胞类型多样性的理解.
