基于harmony的数据集成,用于分布式单细胞多omics数据
Ruizhi Yuan1, Ziqi Rong2, Haoran Hu1
1Department of Biostatistics and Health Data Science, University of Pittsburgh, Pittsburgh, Pennsylvania, United States of America.
PLoS computational biology
|September 30, 2025
概括
联邦和集成使用联邦学习和和算法去中心化omics数据. 这种保护隐私的方法可以实现高数据集成性能,而无需共享原始数据.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 大规模的单细胞项目产生了庞大的数据集.
- 数据集成对于分析多源omics数据至关重要.
- 当前的方法往往需要数据集中,这会给隐私带来风险.
研究的目的:
- 开发一种保护隐私的方法,用于集成去中心化的omics数据.
- 将联合学习与数据集成的 Harmony 算法相结合.
- 评估与现有方法相比,新方法的性能.
主要方法:
- 联合和:一种新的方法,集成联合学习和和算法.
- 分散的omics数据集成,没有原始数据共享.
- 对各种单细胞数据集进行实验验证.
主要成果:
- 联邦和成功地集成了去中心化的omics数据.
- 该方法保持了与集中式Harmony相比的集成性能.
- 通过避免原始数据传输来保护隐私.
结论:
- 联邦和为保护隐私的多omics数据集成提供了强大的解决方案.
- 这种方法使分布式数据集的协作分析成为可能.
- 它解决了大规模omics研究中的关键隐私和安全问题.
