대규모 단일 세포 연구를 발전시키기 위해 능동 학습 전략과 결합된 더 높은 해상도, 더 경제적인 심층 생성 모델

Edit | Kulit Lobak

Sel tunggal penjujukan telah menjadi alat yang berkuasa untuk membongkar kerumitan selular penyakit kompleks. Walau bagaimanapun, kosnya yang tinggi mengehadkan penggunaannya yang meluas dalam penyelidikan bioperubatan.

Kaedah penyahkonvolusian sel tradisional boleh membuat kesimpulan perkadaran jenis sel daripada data penjujukan pukal yang lebih murah, tetapi tidak dapat memberikan resolusi halus yang diperlukan untuk analisis sel tunggal.

Untuk menangani cabaran ini, penyelidik di Universiti McGill di Kanada membangunkan "scSemiProfiler", yang menggabungkan model generatif mendalam dengan strategi pembelajaran aktif untuk mencipta rangka kerja pengkomputeran yang inovatif.

scSemiProfiler sangat tepat dan mampu membuat kesimpulan profil sel tunggal dalam populasi yang besar. Ia boleh disepadukan rapat dengan data analisis sel tunggal sebenar untuk menyokong analisis sel halus.

Penyelidikan itu bertajuk "scSemiProfiler: Memajukan kajian sel tunggal berskala besar melalui pemprofilan separuh dengan model generatif mendalam dan pembelajaran aktif" dan diterbitkan dalam majalah "Nature Communications" pada 16 Julai 2024 .

Teknologi penjujukan sel tunggal telah banyak mengubah penyelidikan biologi, mendedahkan perbezaan halus antara sel dan menggalakkan penemuan biomarker dan pembangunan strategi rawatan yang diperibadikan. Walau bagaimanapun, kos penjujukan sel tunggal yang tinggi (mis., kos penjujukan 20,000 sel dianggarkan $6,000 pada 2023) mengehadkan penyelidikan berskala besarnya.

Kaedah Dekonvolusi

Untuk mengurangkan kos, terdapat banyak kaedah dekonvolusi yang boleh menyelesaikan populasi sel dalam data bercampur, termasuk:

• CIBERSORTx
• Bisque
• DWLS
• MuSiC
• NNLS
• EPIC
• Scaden
• TAPE

Kaedah ini menyeimbangkan antara ekonomi dan resolusi data, tetapi masih mempunyai had dalam resolusi dan ketepatan serta tidak boleh mencapai analisis tahap sel tunggal.

Analisis resolusi sel tunggal

Analisis resolusi sel tunggal adalah penting untuk pemahaman mendalam tentang kerumitan penyakit dan tindak balasnya terhadap rawatan. Ia boleh melakukan analisis berikut:

• UMAP
• Analisis corak pengaktifan laluan
• Penemuan biomarker
• Pengayaan fungsi gen
• Interaksi sel-sel
• Analisis trajektori pseudo-temporal

Digabungkan dengan teknologi pembelajaran mesin, ia membantu menyahkod heterogeniti selular dan perubahan dinamik.

scSemiProfiler

Untuk menangani cabaran di atas dan menyediakan pendekatan kos efektif untuk penjujukan sel tunggal berasaskan luas, pasukan penyelidik di McGill University melancarkan satu- sel Semi-profiler (scSemiProfiler). Alat pengiraan penjanaan kedalaman ini direka untuk meningkatkan ketepatan dan kedalaman analisis sel tunggal dengan ketara.

Ikhtisar
scSemiProfiler adalah lebih menjimatkan dan lebih Skala pilihan penjujukan sel tunggal untuk memudahkan analisis sel tunggal lanjutan dengan kebolehcapaian yang lebih besar.

Kaedah
Alat ini menggabungkan teknik pembelajaran aktif dengan berkesan dengan algoritma rangkaian saraf generatif dalam, bertujuan untuk menyediakan data resolusi sel tunggal pada harga yang lebih berpatutan. scSemiProfiler menyasarkan untuk mencapai dua matlamat asas secara serentak dalam proses separa berprofil:

1. Modul pembelajaran aktif scSemiProfiler menyepadukan maklumat daripada model pembelajaran mendalam dan sejumlah besar data untuk memilih sampel paling bermaklumat secara bijak untuk penjujukan sel tunggal sebenar.
2. Komponen model generatif mendalam scSemiProfiler menggabungkan data sel tunggal secara berkesan daripada sampel wakil dengan data penjujukan pukal untuk populasi tersebut, secara pengiraan mengekstrapolasi data sel tunggal untuk sampel bukan perwakilan yang tinggal.

   

   1. 그림: iMGL 데이터 세트의 반 프로파일링과 실제 프로파일의 비교 분석. (출처: Paper)
3. 이 심층 신경망 방법은 대상 배치 데이터를 정밀한 단일 세포 수준 측정으로 더 자세히 "분해"할 수 있습니다. 따라서 scSemiProfiler는 연구의 모든 샘플에 대한 단일 세포 데이터를 출력하기 위해 배치 시퀀싱 및 대표 단일 셀 시퀀싱에 대한 예산만 필요합니다.
4. 현재까지 scSemiProfiler는 대량의 시퀀싱 데이터로부터 복잡한 단일 세포 수준의 계산 분해를 위해 특별히 설계된 최초의 제품입니다.

   

   예: 능동 학습은 단일 세포 수준에서 가장 유용한 샘플을 선택적으로 분석하는 능력을 보여줍니다. (출처: 논문)

scSemiProfiler는 다양한 데이터 세트에 대한 종합적인 평가를 통해 실제 단일 세포 데이터 세트와 밀접하게 연관되는 반 프로파일링된 단일 세포 데이터를 지속적으로 생성하고 다운스트림 작업의 결과를 정확하게 반영합니다. .

따라서 ScSemiProfiler는 질병 코호트 연구 등을 포함한 대규모 연구를 위한 단일 세포 데이터 수집을 개선하는 데 도움이 됩니다.

scSemiProfiler는 대규모 단세포 연구 비용을 절감함으로써 광범위한 생물의학 연구에 단세포 기술의 적용을 촉진할 것으로 기대됩니다. 이러한 발전은 생물학 연구의 범위를 확장하고 깊이를 향상시킬 것입니다.

논문 링크:
https://www.nature.com/articles/s41467-024-50150-1

위 내용은 대규모 단일 세포 연구를 발전시키기 위해 능동 학습 전략과 결합된 더 높은 해상도, 더 경제적인 심층 생성 모델의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!