单细胞模型已经知道什么关于乱?

科学领域:

• 计算生物学 计算生物学
• 单细胞基因组学 单细胞基因组学
• 机器学习 机器学习

背景情况:

• 单细胞生成模型通常包含虚拟细胞.
• 模型对表现生物干扰的能力尚不清楚.
• 调查这些模型中扰动的隐性知识至关重要.

研究的目的:

• 探索单细胞生成模型中扰动的隐含知识.
• 开发一种推断和可视化基因表达因扰动而发生的变化的方法.
• 评估这些模型在体扰动模拟和路径分析中的实用性.

主要方法:

• 在多种基因表达数据集 (遗传,化学,时间扰乱) 上训练有素的变异自编码器.
• 通过使用自动分化计算无限小的基因表达变化的矢量场来推断干扰.
• 测试了一个大规模的scVI模型,通过对健康到疾病轴的梯度对齐来评分基因,并使用LLMs进行途径评估.

主要成果:

• 在各种扰乱数据集中成功恢复已知的生物转换 (例如,基因淘汰,化学处理,胚胎生成).
• 在大小鼠细胞地图数据集中确定了与2型糖尿病有显著相关性的途径.
• 证明基于梯度的方法优于扰动分析的平均表达基线.

结论:

• 训练有素的单细胞解码器本质上存储了丰富的,与扰乱相关的信息.
• 自动差异化提供了一个强大的工具,可以访问这些信息用于in-silico模拟.
• 这种方法可以在疾病或治疗轴上对基因和途径进行原则性排名,而不需要明确的扰动标签或专门的模型架构.