更高解析度，更經濟，深度生成模型與主動學習策略結合，推動大規模單細胞研究

編輯| 蘿蔔皮

單細胞測序已成為解析複雜疾病細胞複雜性的強力工具。然而，其高昂成本限制了其在生物醫學研究中的廣泛應用。

傳統細胞反捲積方法可從較廉價的批量定序資料推斷細胞類型比例，但無法提供單細胞分析所需的精細分辨率。

為了應對這項挑戰，加拿大麥吉爾大學的研究人員開發了「scSemiProfiler」，該方法將深度生成模型與主動學習策略相結合，創建了一個創新的計算框架。

scSemiProfiler具有高度精確性，能夠推論出大群體中的單細胞概況。它可以與真實的單細胞分析數據緊密整合，支持精細的細胞分析。

研究題為「scSemiProfiler: Advancing large-scale single-cell studies through semi-profiling with deep generative models and active learning」，已於2024 年7 月16 日發表在《Nature Communications》雜誌上。

單細胞定序技術極大地改變了生物學研究，揭示了細胞間的細微差別，促進了生物標記發現和個人化治療策略的發展。然而，單細胞定序的高昂成本（例如，2023 年定序 2 萬個細胞的成本估計為 6,000 美元）限制了其大規模研究。

解卷積方法

為了降低成本，有許多解卷積方法可以解析混合資料中的細胞群體，包括：

• CIBERSORTx
• Bisque
• DWLS
• MuSiC
• NNLS
TAPE
• 這些方法在經濟性和數據分辨率之間取得了平衡，但在分辨率和準確性上仍存在局限，無法達到單細胞級別的分析。
• 單細胞分辨率分析

UMAP

路徑活化模式分析

生物標記發現
• 基因功能豐富
• 細胞-細胞交互作用
• 擬時序軌跡分析
• 結合機器學習技術，有助於解碼細胞異質性和動態變化。
• scSemiProfiler

（資料來源：論文）

方法
該工具將主動學習技術與深度生成神經網路演算法有效結合起來，旨在以更實惠的價格提供單細胞分辨率數據。 scSemiProfiler 旨在同時實現 semi-profiled 過程中的兩個基本目標：

圖示：semi-profiled 和 real-profiled 在 COVID-19 資料集的整體比較。 （資料來源：論文）

scSemiProfiler 的主動學習模組整合了深度學習模型和大量數據的信息，智能地選擇最具信息量的樣本進行實際的單細胞測序。

1. 1. Ilustrasi: Analisis perbandingan separa berprofil dan berprofil sebenar dalam set data iMGL. (Sumber: Kertas)
2. Kaedah rangkaian saraf dalam ini boleh "menyahkonversi" data kelompok sasaran ke dalam ukuran tahap sel tunggal yang tepat dengan lebih terperinci. Oleh itu, scSemiProfiler hanya perlu membuat belanjawan untuk penjujukan kelompok dan penjujukan sel tunggal yang mewakili untuk mengeluarkan data sel tunggal untuk semua sampel dalam kajian.
3. Sehingga kini, scSemiProfiler ialah produk pertama seumpamanya yang direka khusus untuk penguraian pengiraan tahap sel tunggal yang kompleks daripada sejumlah besar data penjujukan.

   

   Ilustrasi: Pembelajaran aktif menunjukkan keupayaannya untuk menganalisis secara selektif sampel yang paling bermaklumat pada peringkat sel tunggal. (Sumber: kertas)

Melalui penilaian menyeluruh ke atas pelbagai set data, scSemiProfiler secara konsisten menghasilkan data sel tunggal separa berprofil yang berkorelasi rapat dengan set data sel tunggal sebenar dan Mencerminkan dengan tepat hasil tugasan hiliran .

ScSemiProfiler Oleh itu membantu mempertingkatkan pemerolehan data sel tunggal untuk kajian berskala besar, termasuk kajian kohort penyakit dan banyak lagi.

Dengan mengurangkan kos penyelidikan sel tunggal berskala besar, scSemiProfiler dijangka memudahkan aplikasi teknologi sel tunggal dalam pelbagai penyelidikan bioperubatan. Kemajuan ini akan meluaskan skop dan meningkatkan kedalaman penyelidikan biologi.

Pautan kertas:
https://www.nature.com/articles/s41467-024-50150-1

以上是更高解析度，更經濟，深度生成模型與主動學習策略結合，推動大規模單細胞研究的詳細內容。更多資訊請關注PHP中文網其他相關文章！