整合未配对和异质的临床流细胞计数据
Mike Phuycharoen1, Verena Kaestele2, Thomas Williams2
1Division of Informatics, Imaging and Data Sciences, Faculty of Biology, Medicine and Health, The University of Manchester, Manchester, Greater Manchester, UK.
iScience
|March 9, 2026
概括
我们开发了无偏差变量自编码器 (UVAE),以整合未配对的生物医学数据,如临床流细胞计. 这种计算框架纠正批量效应,并对数据进行调整,以便更好地分析COVID-19患者样本.
科学领域:
- 计算生物学是一种计算生物学.
- 生物医学数据整合
- 机器学习用于医疗保健
背景情况:
- 生物医学数据流,如临床流细胞计,通常是不配对的,并遭受批量效应.
- 整合这些不同的数据集对于全面分析至关重要,但由于技术差异而具有挑战性.
研究的目的:
- 引入一种新的计算框架,即无偏差变量自编码器 (UVAE),用于整合未配对的生物医学数据.
- 在半监督学习设置中解决批量效应校正和数据对齐问题.
- 为了使不同数据在共享的潜伏空间中同时正常化和集成.
主要方法:
- UVAE采用了一种在部分标记的数据集上训练的半监督模型.
- 它包含了一种概率模型,用于批量效应正常化.
- 该框架在培训期间平衡课堂内容,以确保准确的细胞组成表示.
主要成果:
- UVAE成功地整合了来自COVID-19患者的异质临床流细胞计数据.
- 综合数据增强了与疾病严重程度相关的细胞类型的统计信号.
- 改善了对子群体的聚类和用于预测疾病严重程度的纵向回归.
结论:
- UVAE提供了一个有效的计算框架,用于整合未配对的生物医学数据,解决批量效应等关键挑战.
- 该框架通过强大的数据集成和分析,促进对COVID-19等复杂疾病的更深入的洞察.
- 在临床研究中,UVAE有可能改善生物标志物发现和患者分层.
