scMEDAL用于单细胞转录组学数据的可解释分析,并使用深度混合效应自编码器进行批量效应可视化
Aixa X Andrade1, Son Nguyen1, Albert Montillo1
1Lyda Hill Department of Bioinformatics, University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
Research square
|April 1, 2025
概括
scMEDAL是一个单细胞混合效应深度自编码器学习框架,在scRNA-seq数据中有效模拟批量效应. 它通过分离批量不变和批量特定变异来提高准确性和可解释性.
科学领域:
- 计算生物学和生物信息学
- 基因组学和转录基因组学
- 单细胞分析 单细胞分析
背景情况:
- 单细胞RNA测序 (scRNA-seq) 提供了关于细胞异质性的见解,但受到技术和生物批量效应的困扰.
- 目前的批量校正方法通常会排除或抑制这些效应,限制更深入的分析.
- 需要一些方法来量化和建模批量效应,而不仅仅是去除它们.
研究的目的:
- 引入scMEDAL (单细胞混合效应深度自编码器学习),这是一个用于在scRNA-seq数据中建模批量效应的新框架.
- 单独模拟批量不变和批量特定的变异,以提高数据的准确性和可解释性.
- 为了能够对不同批次的细胞表达进行回顾性分析和预测.
主要方法:
- scMEDAL使用两个互补的自编码器网络:一个用于通过对抗性学习进行批量不变表示,另一个用于批量特定表示的贝叶斯自编码器.
- 框架模型既有固定效应和随机效应,允许对批次贡献进行详细分析.
- 基因组图投影用于回顾性分析,预测假设批次中的细胞表达.
主要成果:
- scMEDAL成功地抑制了批量效应,同时保留了有价值的批量特定的生物和技术变异.
- 对各种疾病 (自闭症,白血病,心血管疾病) 和细胞类型的评估证实了增强的准确性和可解释性.
- 该框架通过整合批量不可知和批量特定的潜伏空间,可以准确预测疾病状态,供体组和细胞类型.
结论:
- scMEDAL提供了一种强大的方法来解开scRNA-seq数据中的技术和生物变异.
- 模拟和预测批量特定效应的能力增强了scRNA-seq的实用性,以获得更深入的生物学见解.
- scMEDAL是了解数据采集细微差别和细胞异质性的宝贵工具.
