可概括的单细胞多模式数据集成与自主监督学习
Jinhui Shi1, Shuofeng Hu1, Runyan Liu1
1Center for Computational Biology, Beijing Institute of Basic Medical Sciences, Beijing 100850, China.
Genomics, proteomics & bioinformatics
|January 8, 2026
概括
深度学习框架MINERVA增强了单细胞多omics集成. 它克服了数据挑战,为小型数据集提供了精确的分析,为大型地图集提供了可扩展的概括.
科学领域:
- 计算生物学 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:
- 单细胞多omics技术允许同时测量各种蜂数据.
- 整合多式单细胞数据带来了诸如小型数据集的过度匹配和大型地图集的不良概括等挑战.
研究的目的:
- 开发一个统一的深度学习框架,用于强大的单细胞多式联运数据集成.
- 解决现有方法在处理小规模和大规模数据集方面的局限性.
主要方法:
- 开发了MINERVA (多模式集成与自我监督学习),一个深度学习框架.
- 采用自主监督的学习策略来实现单细胞多式联通一体化.
- 对六种最先进的方法进行性能评估.
主要成果:
- 即使使用有限的细胞,MINERVA在缩小维度,缺失特征赋值和批量效应校正方面表现出卓越的性能.
- 为大规模应用构建可扩展的多组织参考.
- 实现了零射击知识传输,即时细胞类型注释和未经再培训的新细胞状态识别.
结论:
- 在单细胞研究中,MINERVA有效地将小规模的精度与亚特拉斯级的概括结合在一起.
- 作为一个多功能工具,用于 de novo 数据集成和现有地图集的成本效益再利用.
- 促进单细胞多式联络数据的全面下游分析.
