多omics集成和批次校正使用一种模态不可知的深度学习框架

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 医学中的人工智能

背景情况:

• 现代生物技术从单个生物样本生成复杂的,高维的多模数据集.
• 整合多样化的omics数据对于理解复杂的生物过程,如瘤发生和衰老至关重要.
• 技术工件,如批量效应,使多模式数据分析和解释复杂化.

研究的目的:

• 介绍MIMA,一个模块化,无监督的AI框架,旨在用于多omics数据集成和批次校正.
• 为了证明MIMA在处理复杂的空间和单细胞数据集的能力.
• 建立基于人工智能驱动的数字病理学框架的基础,使用集成的多omics数据.

主要方法:

• 开发MIMA,一个模块化和不受监督的AI框架.
• 将MIMA应用于空间和单细胞多组数据集的应用.
• 评估MIMA在消除批量效应,保存生物信息和预测病理学家注释方面的表现.

主要成果:

• 在多模式数据集中,MIMA有效地消除了批量效应,同时保留了生物相关信息.
• 来自MIMA的学习表示是专家病理学家注释的预测.
• MIMA 能够实现交叉模式的翻译,并揭示出新的分子模式.
• 尽管MIMA不依赖于模式,但其性能与专业工具相当.

结论:

• MIMA是一种灵活且可扩展的多模式数据分析工具,对于推进数字病理学的发展至关重要.
• 该框架促进了基于人工智能的高维分子数据和组织病理成像的集成.
• MIMA为增强患者分层和精准医学提供了新的途径.