通过深层次网络,IMATAC将单单元格的ATAC-seq数据归因为具有无音自动编码器的深层次网络
Yao Li1, Hongqiang Lyu1, Kexin Li1
1Faculty of Electronic and Information Engineering, School of Automation Science and Engineering, Xi'an Jiaotong University, No. 28 Xianning West Road, Beilin District, Xi'an, Shaanxi 710049, China.
Briefings in bioinformatics
|September 29, 2025
概括
IMATAC是一种新的深度学习方法,通过解决掉队事件,有效地归因单细胞ATAC-seq (scATAC-seq) 中缺失的数据. 这提高了下游分析,如细胞聚类和调控元素发现.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞ATAC-seq (scATAC-seq) 能够在单个细胞水平上进行染色质可访问性分析.
- 丢弃事件,即错过真实信号,是scATAC-seq数据中的一个重大挑战,阻碍了下游分析.
- 由于其独特的特性,输入稀疏,高维的scATAC-seq数据仍然很困难.
研究的目的:
- 为scATAC-seq数据开发一种有效的归算方法,以克服掉队事件所带来的限制.
- 引入IMATAC,一个带有无音自动编码器的深层次网络,用于准确的scATAC-seq数据归算.
- 通过归算来提高scATAC-seq数据的质量来增强下游分析.
主要方法:
- 提出了IMATAC,一个深层次的层次网络,包含一个用于scATAC-seq数据归算的自动编码器.
- 将scATAC-seq数据嵌入到一个潜在空间中,使用双层层次的层次结构 (本地详细信息和全球信息).
- 使用无音自编码器和并行多分类器来重建原始数据并恢复细胞群中缺失的值.
主要成果:
- 与现有方法相比,IMATAC在模拟和实验数据上的归算准确性方面表现优越.
- 该方法实现了较低的归算错误,有效地区分了脱落零和生物零.
- 改进了下游分析,包括异质聚类,差异分析和监管元素发现.
结论:
- IMATAC提供了一个有效的解决方案,用于赋值稀疏的scATAC-seq数据,显著减轻掉队事件的影响.
- 深层次的网络架构和无声自动编码器有助于该方法捕获复杂数据结构的能力.
- IMATAC提高了scATAC-seq数据的可靠性和实用性,用于生物发现.
