对于单细胞表示和可控制的反事实生成的因果解
Yicheng Gao1,2,3,4,5, Kejing Dong1,2, Caihua Shan6
1Shanghai Key Laboratory of Anesthesiology and Brain Functional Modulation, Clinical Research Center for Anesthesiology and Perioperative Medicine, Translational Research Institute of Brain and Brain-Like Intelligence, Shanghai Fourth People's Hospital, Frontier Science Center for Stem Cell Research, Bioinformatics Department, School of Life Sciences and Technology, Tongji University, Shanghai, China.
CausCell通过在扩散模型中使用因果关系来增强单细胞数据分析,以创建可解释的细胞表征. 这种方法提高了数据的概括性和可控性,优于现有的模型.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 人工智能的人工智能
背景情况:
- 传统的黑盒模型对于单细胞的数据缺乏解释性.
- 脱学习旨在将生物概念与数据分开.
- 需要可靠和可解释的单细胞数据表示.
研究的目的:
- 介绍CausCell可靠的脱的细胞表示.
- 增强单细胞数据的可解释性,可概括性和可控制性.
- 为单细胞脱学习建立一个全面的基准.
主要方法:
- 开发了CausCell,一种包含因果关系的扩散模型.
- 应用了关于脱而出的概念之间的因果关系的实际信息.
- 利用定量评估场景来解和重建.
主要成果:
- 在解和重建基准中,CausCell的表现优于最先进的方法.
- 通过概念干预证明了CausCell通过概念干预产生可控数据的能力.
- 通过反事实生成展示了通过反事实生成发现生物见解的潜力.
结论:
- CausCell为单细胞数据分析提供了更可靠,更易于解释的方法.
- 该方法在计算生物学中推进了解学习.
- CausCell提供了从复杂的奥米克数据集进行生物发现的潜力.
相关概念视频
Woodward–Hoffmann Selection Rules and Microscopic Reversibility
Methods of Nuclear Reprogramming
Causality in Epidemiology
Somatic to iPS Cell Reprogramming
Introduction to Nuclear Reprogramming
Replicative Cell Senescence


