高解像度、より経済的な、深い生成モデルとアクティブ ラーニング戦略を組み合わせて、大規模な単一細胞研究を推進します。

大根の皮

単一細胞配列決定は、複雑な疾患の細胞の複雑さを解明するための強力なツールとなっています。しかし、コストが高いため、生物医学研究における広範な応用は制限されています。

従来のセル デコンボリューション手法では、安価なバルク シーケンス データから細胞タイプの割合を推測できますが、単一細胞解析に必要な精密な分解能は提供できません。

この課題に対処するために、カナダのマギル大学の研究者は、ディープ生成モデルとアクティブ ラーニング戦略を組み合わせて革新的なコンピューティング フレームワークを作成する「scSemiProfiler」を開発しました。

scSemiProfiler は非常に正確で、大規模な集団内の単一細胞プロファイルを推測できます。実際の単一細胞解析データと緊密に統合して、微細細胞解析をサポートできます。

この研究は「scSemiProfiler: ディープ生成モデルとアクティブラーニングによるセミプロファイリングによる大規模単一細胞研究の推進」と題され、2024 年 7 月 16 日に雑誌「Nature Communications」に掲載されました。

単一細胞シーケンス技術は生物学研究を大きく変え、細胞間の微妙な違いを明らかにし、バイオマーカーの発見を促進しましたそして個別化された治療戦略の開発。しかし、単一細胞シーケンスのコストが高い（たとえば、20,000 個の細胞をシーケンスするコストは 2023 年に 6,000 ドルと推定されている）ため、大規模研究は制限されています。

デコンボリューション手法

コストを削減するために、混合データ内のセル集団を解決できるデコンボリューション手法が多数あります。

• CIBERSORTx
• ビスク
• DWLS
• MuSiC
• NNLS
• EPIC
• スケーデン
• TAPE

これらの方法は経済性とデータ分解能のバランスを保っていますが、分解能と精度には依然として限界があり、単一細胞レベルの分析を達成することはできません。

単一細胞解像度分析

単一細胞解像度分析は、疾患の複雑さと治療に対する反応を深く理解するために重要です。次の分析を実行できます:

• UMAP
• 経路活性化パターン分析
• バイオマーカーの発見
• 遺伝子の機能強化
• 細胞間相互作用
• 擬似時間軌跡解析

機械学習テクノロジーと組み合わせることで、細胞の不均一性と動的変化を解読するのに役立ちます。

scSemiProfiler

上記の課題に対処し、広範な単一細胞シークエンシングに対する費用対効果の高いアプローチを提供するために、マギル大学の研究チームは単一のセルセミプロファイラー (scSemiProfiler)。この深度生成計算ツールは、単一細胞解析の精度と深度を大幅に向上させるように設計されています。

概要
scSemiProfiler は、より経済的で、よりスケーラブルなメソッドです。単一細胞シーケンシング オプションにより、高度な単一細胞解析が容易になり、アクセスしやすくなります。

メソッド
このツールは、アクティブ ラーニング技術と深層生成ニューラル ネットワーク アルゴリズムを効果的に組み合わせ、単一セル解像度のデータをより手頃な価格で提供することを目的としています。 scSemiProfiler は、セミプロファイルのプロセスで 2 つの基本的な目標を同時に達成することを目指しています:

1. scSemiProfiler のアクティブ ラーニング モジュールは、深層学習モデルと大量のデータからの情報を統合して、実際の単一細胞シーケンスに最も有益なサンプルをインテリジェントに選択します。
2. scSemiProfiler のディープ生成モデル コンポーネントは、代表サンプルからの単一細胞データをその集団のバルク シーケンス データと効果的にマージし、残りの非代表サンプルの単一細胞データを計算によって外挿します。

   

   1. Illustration: Comparative analysis of semi-profiled and real-profiled in iMGL data set. (Source: Paper)
3. This deep neural network method can "deconvolve" target batch data into precise single-cell level measurements in more detail. Therefore, scSemiProfiler only needs to budget for batch sequencing and representative single-cell sequencing to output single-cell data for all samples in the study.
4. To date, scSemiProfiler is the first product of its kind designed specifically for such complex single-cell level computational decomposition from large amounts of sequencing data.

   

   Illustration: Active learning demonstrates its ability to selectively analyze the most informative samples at the single-cell level. (Source: paper)

Through comprehensive evaluation on a variety of datasets, scSemiProfiler consistently generates semi-profiled single-cell data that closely correlates with actual single-cell datasets and Accurately reflect the results of downstream tasks.

ScSemiProfiler therefore helps improve the acquisition of single-cell data for large-scale studies, including disease cohort studies and more.

By reducing the cost of large-scale single cell research, scSemiProfiler is expected to facilitate the application of single cell technology in a wide range of biomedical research. This advance will expand the scope and enhance the depth of biological research.

Paper link:
https://www.nature.com/articles/s41467-024-50150-1

以上が高解像度、より経済的な、深い生成モデルとアクティブ ラーニング戦略を組み合わせて、大規模な単一細胞研究を推進します。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。