Communications Biology· Alba Lomas Redondo·· 7 天前AI 评分46
协方差感知变分生成模型在单细胞转录组数据中保留基因相关结构
A covariance-aware variational generative model preserving gene correlation structure in single-cell transcriptomic data

AI 导读
在两组独立胰腺癌患者数据中,一种深度生成模型可生成逼真的合成细胞。模型在压缩描述中显式建模相关性,并未比更简单的匹配模型更好地保留基因间关系,后者似乎隐式捕捉了该结构。该模型的采样策略能忠实再现基因活性模式、细胞类型标志物和细胞组织,训练速度比扩散模型快100至1000倍,合成细胞可支持标准分析并重建癌前转变。
- 背景
- 单细胞转录组能反映肿瘤内部的细胞异质性,但测序成本高、技术噪声大,稀有细胞往往捕获不足。用计算机生成细胞来补足这些缺口是一种思路,问题在于合成细胞能否忠实保留基因间的关联结构。
- 做法
- 作者构建了一个深度生成模型,在细胞压缩表示的建模中显式考虑协方差,并在两组独立的胰腺癌患者数据上评估合成细胞。同时设置了结构匹配的简化模型作为对照,与既有方法及基于扩散的替代方案进行比较。
- 结论
- 显式建模协方差并未比简化模型更好地保留基因间关系,后者似乎以隐式方式捕捉了这一结构。但模型的采样策略生成的细胞能复现基因活动模式、细胞类型标志物与细胞组织方式,与已有方法相比表现不差,训练速度比扩散方案快100至1000倍。
- 意义
- 合成细胞可与真实数据混合并支持常规分析,包括重建一个癌前转变过程。作者据此提出合成细胞可用于富集稀有细胞群、基准测试方法以及模拟肿瘤的过渡状态。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:Communications Biology · nature.com