针对单细胞基因组学的因果机器学习
Alejandro Tejada-Lapuerta1,2, Paul Bertin3,4, Stefan Bauer2,5,6
1Institute of Computational Biology, Helmholtz Munich, Munich, Germany.
Nature genetics
|March 31, 2025
概括
应用到单细胞基因组学上的因果机器学习为了解基因功能提供了新的途径. 这种观点探讨因果模型,并解决模型概括,解释和学习细胞动态的挑战.
科学领域:
- 基因组学就是基因组学.
- 机器学习 机器学习
- 系统生物学 系统生物学
背景情况:
- 单细胞"奥米克"技术提供来自单个细胞的高分辨率转录数据.
- 大规模的扰动屏幕揭示了基因对转录组的影响.
- 整合这些方法为阐明生物过程中的基因因果关系提供了机会.
研究的目的:
- 描述因果机器学习 (ML) 对单细胞基因组学的应用.
- 识别和讨论这个新兴领域的挑战和潜在解决方案.
主要方法:
- 在单细胞生物学中使用的当前因果ML模型的审查和合成.
- 确定关键挑战,包括模型概括,可解释性和学习细胞动态.
主要成果:
- 介绍了单细胞生物学中常用的因果模型.
- 讨论了三个关键的开放问题:缺乏对新条件的概括,模型解释的复杂性,以及学习细胞动态的困难.
结论:
- 因果ML对推进单细胞基因组学研究具有重大前景.
- 解决已识别的挑战对于释放这些综合方法的全部潜力至关重要.
