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
- PHPz原创
- 2024-09-03 22:01:32508浏览
编辑 | 萝卜皮
单细胞测序已成为解析复杂疾病细胞复杂性的强力工具。然而，其高昂成本限制了其在生物医学研究中的广泛应用。
传统细胞反卷积方法可从更廉价的批量测序数据中推断细胞类型比例，但无法提供单细胞分析所需的精细分辨率。
为了应对这一挑战，加拿大麦吉尔大学的研究人员开发了「scSemiProfiler」，该方法将深度生成模型与主动学习策略相结合，创建了一个创新的计算框架。
scSemiProfiler具有高度精确性，能够推断出大群体中的单细胞概况。它可以与真实的单细胞分析数据紧密整合，支持精细的细胞分析。
该研究题为「scSemiProfiler: Advancing large-scale single-cell studies through semi-profiling with deep generative models and active learning」，已于 2024 年 7 月 16 日发表在《Nature Communications》杂志上。
单细胞测序技术极大地改变了生物学研究，揭示了细胞间的细微差别，促进了生物标志物发现和个性化治疗策略的发展。然而，单细胞测序的高昂成本（例如，2023 年测序 2 万个细胞的成本估计为 6000 美元）限制了其大规模研究。
解卷积方法
为了降低成本，有许多解卷积方法可以解析混合数据中的细胞群体，包括：
- CIBERSORTx
- Bisque
- DWLS
- MuSiC
- NNLS
- EPIC
- Scaden
- TAPE
这些方法在经济性和数据分辨率之间取得了平衡，但在分辨率和准确性上仍存在局限，无法达到单细胞级别的分析。
单细胞分辨率分析
单细胞分辨率分析对于深入理解疾病复杂性及其治疗反应至关重要。它可以进行以下分析：
- UMAP
- 路径激活模式分析
- 生物标志物发现
- 基因功能富集
- 细胞-细胞相互作用
- 拟时序轨迹分析
结合机器学习技术，有助于解码细胞异质性和动态变化。
scSemiProfiler
为了解决上述挑战并提供一种经济有效的广泛单细胞测序方法，麦吉尔大学的研究团队推出了 single-cell Semi-profiler (scSemiProfiler)。这种深度生成计算工具旨在显著提高单细胞分析的精度和深度。
概述
scSemiProfiler 是一种更经济、更可扩展的单细胞测序选项，从而以更高的可及性促进高级单细胞分析。
方法
该工具将主动学习技术与深度生成神经网络算法有效结合起来，旨在以更实惠的价格提供单细胞分辨率数据。scSemiProfiler 旨在同时实现 semi-profiled 过程中的两个基本目标：
- scSemiProfiler 的主动学习模块整合了深度学习模型和大量数据的信息，智能地选择最具信息量的样本进行实际的单细胞测序。
- scSemiProfiler 的深度生成模型组件有效地将来自代表性样本的单细胞数据与该群体的批量测序数据合并，通过计算推断剩余非代表性样本的单细胞数据。
1. 图示：semi-profiled 和 real-profiled 在 iMGL 数据集的比较分析。（来源：论文）
- 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。
- 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！