FADVI:解的表示学习,以稳健整合单细胞和空间奥米克数据

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 整合各种omics数据集 (scRNA-seq,scATAC-seq,空间转录组) 是至关重要的,但受到技术批量效应的阻碍.
• 目前的方法难以区分技术变异和真正的生物信号,限制了下游分析.
• 准确的数据整合对于理解复杂的生物系统至关重要.

研究的目的:

• 开发一个强大的框架,FADVI,用于准确整合单细胞和空间奥米克数据.
• 为了将技术批量效应与生物变异脱而出.
• 为大规模的OMIC数据分析提供一种可解释的方法.

主要方法:

• FADVI使用了一个变量自编码器框架,具有分区的潜空间.
• 它结合了监督分类,对抗性培训和交叉共变性惩罚,用于独立的代表性学习.
• 该方法通过单细胞RNA测序 (scRNA-seq),单细胞ATAC测序 (scATAC-seq) 和空间转录组学数据集进行基准测试.

主要成果:

• 与最先进的整合方法相比,FADVI在多种omics模式中表现出更高的性能.
• 该框架成功地保留了生物变异,同时有效地纠正了批量效应.
• FADVI启用了特征归属,识别了与细胞类型身份和批量特定变异相关的基因.

结论:

• FADVI提供了一种强大且可解释的解决方案,用于整合大规模的单细胞和空间数据.
• 该方法克服了现有方法的局限性,通过有效分离技术和生物变异.
• FADVI为推进下游分析和生物发现提供了一个强大的框架.