更高分辨率，更经济，深度生成模型与主动学习策略结合，推进大规模单细胞研究

Einzelzellsequenzierungsforschung führte zu einem Durchbruch

Bearbeiten |. Rettichhaut

Einzelzelle Die Sequenzierung ist zu einem leistungsstarken Werkzeug zur Aufklärung der zellulären Komplexität komplexer Krankheiten geworden. Seine hohen Kosten schränken jedoch seine breite Anwendung in der biomedizinischen Forschung ein.

Herkömmliche Zellentfaltungsmethoden können Zelltypanteile aus günstigeren Massensequenzierungsdaten ableiten, bieten jedoch nicht die feine Auflösung, die für die Einzelzellanalyse erforderlich ist.

Um dieser Herausforderung zu begegnen, haben Forscher der McGill University in Kanada „scSemiProfiler“ entwickelt, der tiefe generative Modelle mit aktiven Lernstrategien kombiniert, um ein innovatives Computer-Framework zu schaffen.

scSemiProfiler ist äußerst genau und in der Lage, Einzelzellprofile in großen Populationen abzuleiten. Es kann eng mit realen Einzelzellanalysedaten integriert werden, um die Feinzellanalyse zu unterstützen.

Die Forschung trägt den Titel „scSemiProfiler: Advancing Large-scale Single-Cell Studies through Semi-Profiling with Deep Generative Models and Active Learning“ und wurde am 16. Juli 2024 in der Zeitschrift „Nature Communications“ veröffentlicht.

Einzelzell-Sequenzierungstechnologie und ihre Grenzen

Die Einzelzell-Sequenzierungstechnologie hat die biologische Forschung stark verändert, indem sie die subtilen Unterschiede zwischen Zellen aufdeckt und die Entdeckung von Biomarkern fördert und die Entwicklung personalisierter Behandlungsstrategien. Die hohen Kosten der Einzelzellsequenzierung (z. B. werden die Kosten für die Sequenzierung von 20.000 Zellen im Jahr 2023 auf 6.000 US-Dollar geschätzt) schränken jedoch die groß angelegte Forschung ein.

Entfaltungsmethoden

Um die Kosten zu senken, gibt es viele Entfaltungsmethoden, die Zellpopulationen in gemischten Daten auflösen können, darunter:

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

Diese Methoden schaffen ein Gleichgewicht zwischen Wirtschaftlichkeit und Datenauflösung, weisen jedoch immer noch Einschränkungen in der Auflösung und Genauigkeit auf und können keine Analyse auf Einzelzellenebene erreichen.

Analyse der Einzelzellauflösung

Die Analyse der Einzelzellauflösung ist entscheidend für ein tiefes Verständnis der Komplexität der Krankheit und ihres Ansprechens auf die Behandlung. Es kann die folgenden Analysen durchführen:

• UMAP
• Pathway-Aktivierungsmusteranalyse
• Biomarker-Entdeckung
• Genfunktionelle Anreicherung
• Zell-Zell-Interaktion
• Pseudo-zeitliche Trajektorienanalyse

In Kombination mit maschineller Lerntechnologie hilft es, zelluläre Heterogenität und dynamische Veränderungen zu entschlüsseln.

scSemiProfiler

Um die oben genannten Herausforderungen zu bewältigen und eine kostengünstige Methode für die breit angelegte Einzelzellsequenzierung bereitzustellen, hat ein Forschungsteam an der McGill University den Single- Zell-Semi-Profiler (scSemiProfiler). Dieses tiefengenerierende Rechenwerkzeug soll die Präzision und Tiefe der Einzelzellanalyse deutlich erhöhen.

Abbildung: Übersicht über die scSemiProfiler-Methode(Quelle: Papier)

Übersicht
scSemiProfiler ist wirtschaftlicher und skalierbarer Optionen zur Einzelzellsequenzierung, um eine erweiterte Einzelzellanalyse mit besserer Zugänglichkeit zu ermöglichen.

Methoden
Dieses Tool kombiniert effektiv aktive Lerntechniken mit tiefen generativen neuronalen Netzwerkalgorithmen und zielt darauf ab, Daten mit Einzelzellenauflösung zu einem günstigeren Preis bereitzustellen. scSemiProfiler zielt darauf ab, gleichzeitig zwei grundlegende Ziele im Semi-Profiling-Prozess zu erreichen:

Abbildung: Gesamtvergleich von Semi-Profiling und Real-Profiling im COVID-19-Datensatz. (Quelle: Papier)

1. Das aktive Lernmodul von scSemiProfiler integriert Informationen aus Deep-Learning-Modellen und großen Datenmengen, um auf intelligente Weise die aussagekräftigsten Proben für die tatsächliche Einzelzellsequenzierung auszuwählen.
2. Die tiefe generative Modellkomponente von scSemiProfiler führt effektiv Einzelzelldaten aus einer repräsentativen Stichprobe mit Massensequenzierungsdaten für diese Population zusammen und extrapoliert die Einzelzelldaten rechnerisch für die verbleibenden nicht repräsentativen Stichproben.

   

   1. 图示：semi-profiled 和 real-profiled 在 iMGL 数据集的比较分析。（来源：论文）
3. 这种深度神经网络方法可以将目标批量数据更详细地「反卷积」为精确的单细胞水平测量值。因此，scSemiProfiler 只需对批量测序和代表性单细胞测序进行预算，即可输出研究中所有样本的单细胞数据。
4. 目前为止，scSemiProfiler 是同类产品中第一个专为从大量测序数据中进行如此复杂的单细胞水平计算分解而设计的产品。

   

   图示：主动学习展示了其在单细胞水平上选择性分析最具信息量的样本的能力。（来源：论文）

通过对各种数据集的全面评估，scSemiProfiler 始终如一地生成 semi-profiled 的单细胞数据，这些数据与实际的单细胞数据集紧密相关，并准确反映下游任务的结果。

因此，scSemiProfiler 有助于改善获取单细胞数据以进行大规模研究，包括疾病队列研究等。

通过降低大规模单细胞研究的成本，scSemiProfiler 有望促进单细胞技术在广泛的生物医学研究中的应用。这一进步将扩大生物学研究的范围并增强其深度。

论文链接：
https://www.nature.com/articles/s41467-024-50150-1

以上是更高分辨率，更经济，深度生成模型与主动学习策略结合，推进大规模单细胞研究的详细内容。更多信息请关注PHP中文网其他相关文章！