scLTNN:用于自动可视化单细胞轨迹的创新工具
Cencan Xing1, Zehua Zeng1, Lei Hu1,2
1Daxing Research Institute, School of Chemistry and Biological Engineering, University of Science and Technology, Beijing, Beijing 100083, China.
Bioinformatics advances
|March 10, 2025
概括
一个新的工具scRNA-seq潜伏时间神经网络 (scLTNN) 从单细胞RNA测序数据中有效推断细胞命运轨迹. 这种方法需要最小的计算资源,并且没有先前的生物学知识,以准确地重建细胞发育路径.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 发展生物学 发展生物学
背景情况:
- 细胞状态识别和轨迹推断对于模拟单细胞RNA测序 (scRNA-seq) 数据的细胞命运动态至关重要.
- 目前用于构建细胞命运轨迹的方法通常需要大量的计算资源或对发育过程的先验知识,从而限制了它们的可访问性和广泛应用.
研究的目的:
- 开发一种新,高效和广泛适用的计算工具,从scRNA-seq数据中推断细胞命运轨迹.
- 通过减少计算需求和消除对先前生物知识的需求,克服现有方法的局限性.
主要方法:
- 该研究介绍了scRNA-seq潜伏时间神经网络 (scLTNN),这是一个将人工神经网络与分布模型相结合的工具.
- scLTNN利用高度可变的基因的一致表达分布,并预训练用于自动化分析.
- 该方法在各种生物系统上实施和验证,包括人类骨髓细胞,小鼠胰腺内分泌系和斑马鱼轴性半皮.
主要成果:
- scLTNN准确地推断细胞的起源和终端状态,并高准确地重建发育轨迹.
- 该工具展示了最小的计算资源和时间要求.
- 在人类,小鼠和斑马鱼数据集中成功重建了细胞命运轨迹,展示了其跨物种适用性.
结论:
- scLTNN提供了一种简单而有效的方法,用于从scRNA-seq数据中说明细胞命运轨迹.
- 该工具在没有先前生物知识的情况下运行的能力使其成为各种研究应用的多功能资源.
- scLTNN代表了理解细胞分化和发育的计算工具的重大进步.
