相关实验视频
Updated: Jan 15, 2026
10:15
Capturing Chromosome Conformation Across Length Scales
Published on: January 20, 2023
4.0K
一个单细胞Hi-C嵌入工具的全面基准
Dylan Plummer1,2, Xiuyuan Lang1,3, Shanshan Zhang1,3
1Department of Genetics and Genome Sciences, School of Medicine, Case Western Reserve University, Cleveland, OH, USA.
Nature communications
|October 14, 2025
概括
基准测试单细胞Hi-C (scHi-C) 嵌入工具并没有揭示任何单一的最佳方法. 深度学习模型在捕捉不同尺度和分辨率的基因组架构异质性方面表现出多功能性,优于传统方法.
科学领域:
- 基因组学和计算生物学
- 表观遗传学和基因组架构
背景情况:
- 单细胞Hi-C (scHi-C) 分析依赖嵌入来捕捉基因组架构异质性.
- 现有的嵌入工具在不同的scHi-C数据集和生物问题中性能不同.
研究的目的:
- 为了对13个scHi-C嵌入工具进行基准测试,包括新的卷积神经网络模型Va3DE.
- 评估预处理选项和数据表示对嵌入性能的影响.
- 为了确定最佳的嵌入策略,不同的生物尺度 (分区与循环) 和分辨率.
主要方法:
- 开发了一个软件框架,以分离预处理选项进行基准测试.
- 在10个不同的scHi-C数据集上评估了13个嵌入工具.
- 根据捕捉远程 (分区) 和短程 (循环) 基因组接触来评估性能.
主要成果:
- 没有一个嵌入工具在默认设置下在所有数据集中表现最好.
- 数据表示和预处理显著影响嵌入性能.
- 与随机步行和IDF方法相比,深度学习方法在处理稀疏性和不同分辨率方面表现出卓越的多功能性.
- 对于区分类似的细胞亚群而言,对角线整合显示出有前途.
结论:
- 嵌入方法和预处理的选择对于准确的scHi-C分析至关重要.
- 深度学习方法为捕捉各种规模的基因组架构异质性提供了更强大和更通用的解决方案.
- 对适当的先验和整合策略进行进一步的研究是有必要的,以推进scHi-C嵌入.
