从一个时空空间单细胞地图上对细胞动态进行混合深度学习机制建模

科学领域:

• 计算生物学 计算生物学
• 发展生物学 发展生物学
• 系统生物学 系统生物学

背景情况:

• 单细胞技术揭示了细胞异质性,但由于高维基因表达数据,重建动态过程具有挑战性.
• 了解细胞过渡和监管网络需要复杂的计算方法来建模时间动态.

研究的目的:

• 开发一种新的计算框架,用单细胞数据建模细胞状态动态.
• 将深度学习与机械模型相结合,以便对基因调节程序进行可解释的预测.
• 运用框架来理解Drosophila melanogaster早期发育的情况.

主要方法:

• 开发了一种变异自编码器 (VAE) - 隐藏的神经普通微分方程 (ODE) 模型,以学习细胞状态及其时间演变的低维表示.
• 应用空间注册到单细胞光成像数据从Drosophila melanogaster的胚胎在六个发育时间点.
• 整合了VAE-ODE模型与机械的希尔函数模型进行可解释扰动分析.

主要成果:

• VAE-ODE框架通过模拟潜伏空间中的连续动态来准确地重建转录模式.
• 综合方法成功地捕获了在单细胞数据中观察到的复杂动态轨迹.
• 机械模型以潜伏动力学为指导,提供了对基因调节相互作用和发育程序的可解释预测.

结论:

• VAE-ODE方法为分析单细胞数据和理解细胞动态提供了一种强大的方法.
• 将黑子深度学习与机械模型相结合,可以提高基因调节网络的解释性和预测能力.
• 该框架提供了对发育基因调节的机制性见解,适用于各种生物系统.