图表神经网络用于单细胞的数据:对方法和应用的审查
Sijie Li1, Heyang Hua1, Shengquan Chen1
1School of Mathematical Sciences and The Key Laboratory of Pure Mathematics and Combinatorics, Ministry of Education (LPMC), Nankai University, No. 94 Weijin Road, Nankai District, Tianjin 300071, China.
Briefings in bioinformatics
|March 17, 2025
概括
图形神经网络 (GNN) 正在通过有效处理复杂的高维数据来彻底改变单细胞奥米学分析. 本综述详细介绍了107个跨表观基因组学,转录基因组学和多基因组学的GNN应用,为未来的研究提供了指南.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 单细胞欧米克产生大规模的,高维的,稀疏的数据,挑战传统的计算方法.
- 传统的深度学习与单细胞信号网络和多omics数据的非欧几里德性质作斗争.
- 图形神经网络 (GNN) 提供了一个强大的框架,可以将单细胞数据模型为图形,克服这些局限性.
研究的目的:
- 系统地审查GNN及其变体在单细胞奥米克分析中的应用.
- 提供基于GNN的107项研究的综合概述,涉及各种类型的OMIC.
- 识别当前的研究缺口,并建议未来的研究方向在GNN单细胞omics.
主要方法:
- 系统的文献审查107个GNN应用在单细胞体内.
- 按OMIC类型对GNN应用进行分类:表观基因组学,转录基因组学,空间转录基因组学,蛋白质基因组学和多基因组学.
- 77个常用的公共单细胞数据集的摘要.
主要成果:
- GNN已经成功地应用于各种单细胞的奥米克任务,证明了它们的多功能性和有效性.
- 该审查涵盖了GNN的基本原则和六种变体.
- 对于每个omics类型,提供了GNN应用的详细摘要.
结论:
- GNNs是分析复杂的单细胞数据的关键工具.
- 本综述是研究人员在单细胞研究中探索GNN的宝贵资源.
- 未来的研究应该专注于解决目前的局限性,并扩大GNN在现场的应用.
更多相关视频
11:26Single-cell RNA-Seq of Defined Subsets of Retinal Ganglion Cells
Published on: May 22, 2017
13.7K
07:49Single-cell RNA Sequencing of Fluorescently Labeled Mouse Neurons Using Manual Sorting and Double In Vitro Transcription with Absolute Counts Sequencing DIVA-Seq
Published on: October 26, 2018
9.4K