从scRNA-seq到scATAC-seq进行跨模式细胞标签注释的多转移学习方法
Zhitong Chen1,2,3, Maoteng Duan1,2,3, Xiaoying Wang1,2,3
1School of Mathematics, Shandong University, Jinan, Shandong, 250100, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|September 2, 2025
概括
SemiLT是一种新的转移学习方法,通过解决scRNA-seq和scATAC-seq数据之间的时间差异来增强单细胞ATAC测序的细胞类型注释. 这提高了准确性,特别是对于罕见的细胞类型,并改进了下游分析.
科学领域:
- 基因组学和生物信息学
- 计算生物学
- 表观遗传学
背景情况:
- 单细胞ATAC测序 (scATAC-seq) 提供了对表观遗传变异的深入洞察,但由于数据稀疏和高维度,在细胞类型注释方面面临挑战.
- 现有的scATAC-seq注释转移学习方法往往无法解释单细胞RNA测序 (scRNA-seq) 和scATAC-seq数据之间的时间差异,导致批量效应加剧.
- 准确的细胞类型注释对于解释scATAC-seq数据和将其与其他单细胞模式集成至关重要.
研究的目的:
- 引入SemiLT,一个多转移学习框架,旨在从scRNA-seq到scATAC-seq数据进行强大的细胞标签注释.
- 解决和减轻scRNA-seq和scATAC-seq模式之间的时间差异引起的批量影响.
- 提高细胞类型注释的准确性,特别是对于罕见的细胞群体,并提高scATAC-seq研究下游分析的可靠性.
主要方法:
- 开发SemiLT,一种专门针对跨模式细胞注释 (scRNA-seq到scATAC-seq) 的新型多转移学习方法.
- 使用多个scATAC-seq和scRNA-seq数据集对现有计算工具进行SemiLT的比较.
- 评估SemiLT在细胞类型注释准确性,罕见细胞类型识别,模式批次校正以及轨迹推断等下游分析应用中的性能.
主要成果:
- 与现有方法相比,SemiLT在scATAC-seq数据的细胞类型注释和模式批次校正方面表现出更高的性能.
- 标注精度显著提高,罕见细胞类型的F1平均得分增加了18%.
- 在人类骨髓数据中精确重建血造干细胞 (HSC) 轨迹过渡,并从外围血液单核细胞 (PBMC) 数据集中识别CD8效应T细胞中的转录因子KLF4.
结论:
- 通过解决scRNA-seq和scATAC-seq数据之间的时间差异,SemiLT有效地克服了现有的转移学习方法的局限性.
- 该方法提供高质量的细胞类型注释和嵌入,提高scATAC-seq数据的可靠性和可解释性.
- SemiLT有助于准确的生物发现,例如推断细胞分化轨迹和确定特定细胞群中的关键调节因素.
