scHDeepInsight:一个层次的深度学习框架,用于在单细胞RNA-seq数据中精确的免疫细胞注释
Shangru Jia1, Artem Lysenko2, Keith A Boroevich3
1Laboratory for Medical Science Mathematics, Department of Computational Biology and Medical Sciences, Graduate School of Frontier Sciences, The University of Tokyo, 7-3-1 Hongo, Bunkyo-ku, Tokyo 113-0033, Japan.
Briefings in bioinformatics
|October 9, 2025
概括
准确的免疫细胞分类对于了解健康和疾病至关重要. scHDeepInsight是一种新的深度学习工具,通过精确识别各种免疫细胞亚型,增强单细胞RNA测序分析.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 准确的免疫细胞分类对于理解细胞在健康和疾病中的作用至关重要.
- 单细胞RNA测序 (scRNA-seq) 数据由于复杂的免疫细胞层次结构而带来了挑战.
- 现有的方法在高分辨率的免疫细胞亚型识别方面扎.
研究的目的:
- 开发一个先进的深度学习框架,scHDeepInsight,用于精确的免疫细胞分类.
- 为了提高从scRNA-seq数据的免疫细胞亚型识别的准确性和分辨率.
- 为了提高分类,利用生物知情架构和适应性损失函数.
主要方法:
- scHDeepInsight将基因表达数据转换为2D图像,用于卷积神经网络分析.
- 它采用一种生物知情分类架构,具有自适应层次焦点损失 (AHFL).
- 该框架利用免疫细胞类型之间的等级关系来提高分类准确性.
主要成果:
- scHDeepInsight在七个不同的组织数据集中实现了93.2%的平均准确性,比目前的方法高出5.1%.
- 该模型准确地区分了50种不同的免疫细胞亚型,包括罕见的和密切相关的.
- 基于SHAP的解释性量化了基因贡献,揭示了分类的生物学基础.
结论:
- scHDeepInsight为高分辨率的免疫细胞亚型表征提供了强大的解决方案.
- 该框架非常适合详细的免疫学分析,并且可以适应非免疫细胞类型.
- 这种工具有助于分析复杂的scRNA-seq数据,用于免疫学研究.
