阿特米斯集成了自编码器和施罗丁格桥以预测基因表达,细胞群和时间序列单细胞数据扰动的连续动态

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 系统生物学 系统生物学

背景情况:

• 像发育和疾病这样的细胞过程涉及复杂的,动态的基因表达变化.
• 单细胞测序提供细胞分辨率,但只提供静态快照,阻碍了轨迹重建.
• 现有的方法难以捕捉细胞群动力学和持续的细胞过程.

研究的目的:

• 开发一种生成模型,Artemis,用于从时间序列单细胞数据中重建细胞轨迹和动态.
• 揭示基因表达动态,并在复杂的生物过程中恢复细胞群变化.
• 确定驱动细胞分化和疾病进展中的决定性表达趋势的关键基因.

主要方法:

• 阿特米斯集成了一个变化自编码器 (VAE) 与不平衡的扩散施罗丁格桥.
• 它使用前后静态微分方程 (SDEs) 来重建连续潜空间中的轨迹.
• 神经网络估计细胞死亡率以建模人口动态,漂移函数捕获基因表达趋势.

主要成果:

• 在多个数据集中预测持久时间点方面,ARTEMIS的性能优于最先进的方法.
• 该模型准确地恢复了随着时间的推移相对细胞群的变化.
• 阿尔特米斯确定了驱动决定性基因表达趋势的"漂移"基因,通过in silico扰动得到验证.

结论:

• ARTEMIS提供了一个强大的框架,用于模拟使用单细胞RNA测序数据的动态细胞过程.
• 该模型通过重建轨迹和人口动态来增强对细胞命运决定,分化和疾病进展的理解.
• 漂移基因的识别为细胞转换背后的分子机制提供了新的见解.