从单细胞数据恢复时间变化的网络
Euxhen Hasanaj1, Barnabás Póczos1, Ziv Bar-Joseph1,2
1Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA 15213, United States.
Bioinformatics (Oxford, England)
|July 15, 2025
概括
我们开发了Marlene,这是一个深度学习工具,可以从单细胞数据中重建动态基因调节网络. 这种方法准确地识别了复杂的生物过程中的基因相互作用,如衰老和免疫反应.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 系统生物学 系统生物学
背景情况:
- 基因调节对于发育和疾病至关重要.
- 传统方法难以处理大量的时间序列单细胞数据.
- 需要新的方法来准确地重建时间基因网络.
研究的目的:
- 开发一种深度学习模型来推断动态基因调节网络.
- 为了应对时间序列单细胞基因表达数据所带来的挑战.
- 为了能够识别动态生物过程中的基因相互作用.
主要方法:
- 开发了Marlene,一个使用自我注意机制的深度神经网络.
- 嵌入的循环单位,用于随时间变化的网络权重.
- 采用超级学习来提高准确性,特别是对于罕见的细胞类型.
主要成果:
- 玛琳成功地从时间序列单细胞数据中推断出动态基因网络.
- 该模型准确地重建时间网络,即使对于罕见的细胞群体.
- 确定了与COVID-19免疫反应,纤维化和衰老相关的基因相互作用.
结论:
- 马琳为重建动态基因调节网络提供了一种强大的新方法.
- 该工具有助于发现驱动特定生物反应的基因相互作用.
- 这项工作为针对复杂疾病的新型治疗策略铺平了道路.


