单细胞RNA-seq数据的可解释多任务分析通过拓结构保存和数据去除
Shengpeng Yu1, Zihan Yang2, Tianyu Liu3
1School of Data and Computer Science, Shandong Women's University, Jinan, 250300, China. ysp@sdwu.edu.cn.
Interdisciplinary sciences, computational life sciences
|September 30, 2025
概括
scIMTA通过为稀疏,杂的基因表达数据提供协作多任务学习来增强单细胞转录组分析. 这种可解释的框架能够稳定地处理掉队事件,保持数据完整性,以便更深入地了解细胞异质性.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 单细胞转录组测序 (scRNA-seq) 提供了高分辨率,但产生稀疏,杂的数据.
- 放弃事件和批量效应是scRNA-seq数据分析中的重大挑战.
- 现有的方法经常孤立地处理任务,限制了全面的分析.
研究的目的:
- 为scRNA-seq数据开发一个可解释的多任务分析框架 (scIMTA).
- 为了应对数据稀疏性,噪音和学事件的挑战.
- 为了改善拓结构的保存和生物解释性.
主要方法:
- 提出了scIMTA,这是一个用于协作多任务分析的新框架.
- 实施了强大的中断事件处理机制,以保持数据完整性.
- 在乳腺癌scRNA-seq数据集上验证了scIMTA.
主要成果:
- scIMTA使稀疏,高噪音基因表达数据的协作多任务分析成为可能.
- 该框架通过生物基础增强了可解释性.
- 强大的脱落处理保护了数据完整性,证明了有效性和通用性.
结论:
- scIMTA为分析scRNA-seq数据建立了新的范式,整合了多任务学习和可解释性.
- 该框架有效地处理掉队事件,并保留拓结构.
- 这项工作推动了对细胞异质性和基因表达动态的细微探索.
更多相关视频
07:12Author Spotlight: Enhancing Drug Discovery - Development of Automated, Standardized Protocols for Nuclei Extraction from Frozen Tissues
Published on: July 28, 2023
5.0K
10:44Low-input Nucleus Isolation and Multiplexing with Barcoded Antibodies of Mouse Sympathetic Ganglia for Single-nucleus RNA Sequencing
Published on: March 23, 2022
4.8K
