LoHi-SSL:一个多层次的协同学习模型,通过低级和高级信息融合集成单细胞多态数据

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:

• 单细胞测序揭示了细胞异质性,但由于数据的可变性,整合多omics数据具有挑战性.
• 现有的方法在与跨OMIC和内部OMIC异质性作斗争,限制了全面的细胞分析.

研究的目的:

• 开发一种有效的模型,LoHi-SSL,用于协同多层次学习,以集成单细胞多omics数据.
• 通过考虑细胞异质性来解决来自多个分子层的数据融合方面的挑战.

主要方法:

• LoHi-SSL采用三个模块:低级学习 (图表自编码器用于内部omics相似性),高级学习 (多omics超图表用于跨omics对齐) 和特征集成 (对比学习用于歧视性表示).
• 该模型学习了一个统一的隐性空间,对同一个细胞的不同欧米克的特征进行对齐,并分离不同细胞类型的表示.

主要成果:

• 在六个数据集上,LoHi-SSL的性能优于现有的数据集,显示了NMI,ARI,AMI和ACC的显著改进.
• 稳定性分析证实了LoHi-SSL的抗噪抗性.
• 潜伏表征通过细胞轨迹分析准确地预测了生物进化途径.

结论:

• LoHi-SSL为单细胞多omics数据集成提供了一种高效和强大的解决方案.
• 该模型为研究细胞异质性,状态转换和调节机制提供了强大的工具.