NIPSSep, 2017

单细胞 RNA 测序的基因表达剖面深度生成模型

PDF
TL;DR提出了一种针对单细胞 RNA 测序随机解释基因表达水平的概率模型，其利用低维潜在表示、额外潜在变量和神经网络进行条件分布的建模，并利用方差推断和随机优化来拟合数据。此推断过程适用于 100 万个细胞以上的数据，且优于 ZIFA 和 ZINB-WaVE 方法。作者还将该框架扩展到批次效应和其他混淆因素，并提出了一种超越 DESeq2 方法的 Bayesian 假设检验，以分析基因差异表达。
single-cell rna sequencinglatent variableneural networksvariational inferencedifferential expression
发现论文，激发创造
  • 空间转录组学的潜在空间推理

    通过使用概率机器学习方法，将细胞的遗传表达信息和细胞在组织样本中的空间坐标映射到一个联合潜变量空间中，可以获得完整的遗传表达和空间信息，从而更好地理解细胞过程和通路。

    Nov, 2023

  • 深度生成模型捕捉突变效应的遗传变异

    提出了一种基于深度学习的模型 DeepSequence，可以预测基因突变对分子属性的影响，具有非线性的高阶约束，是一种能够应用于有关蛋白质和 RNA 相互作用的普适模型。

    Dec, 2017

  • 一个单细胞基因表达语言模型

    提出了 Exceiver 模型，使用同一自我监督任务来处理单细胞 RNA 表达数据，学习基因之间的上下文依赖关系，并证明该模型具有迁移学习能力。

    Oct, 2022

  • 应用变分因果推断和精细关系信息预测细胞响应

    本文提出了一种基于图变分贝叶斯因果推断的框架，利用基因调控网络的信息预测受干扰细胞的基因表达，并使用图卷积网络进行邻接矩阵更新，实现数据自适应的调控网络和对基因关系的更深入挖掘，在对控制干扰的效果进行渐近有效估计的同时，展示了该方法在个体响应预测方面超越当前深度学习模型的优势。

    Sep, 2022

  • 基于 scRNA-seq 和空间转录组学的非配对数据联合模型，用于填充丢失的基因表达测量值

    本文提出了一种基于深度生成模型 gimVI 的方法，用于整合空间转录组学和单细胞 RNA 测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。

    May, 2019

  • 在单分子分辨率的空间转录组学中使用空间点过程预测未来状态

    利用基于随机森林回归的流程，本研究预测果蝇胚胎发育过程中 Sog-D 基因表达的细胞未来分布，以揭示细胞和有机体在超分辨全胚空间转录组成像中如何控制基因表达；通过结合细胞在胚胎发育的每个阶段的状态和 Ripley's K-function，我们得到了平均活跃细胞分布的预测准确性，该工具类似于空间分辨的发育生物学 RNA 速度，通过一个数据点可以利用空间点过程的特征预测未来的空间基因表达。

    Jan, 2024

  • scDiffusion: 使用扩散模型进行高质量单细胞数据的条件生成

    本研究使用 scDiffusion 模型基于扩散过程生成具有可控条件的高质量单细胞 RNA 测序数据，并展示其能够产生接近真实数据的单细胞基因表达数据，超过现有模型在多个度量指标上的性能，对罕见细胞类型等特定细胞类型进行条件生成，并通过梯度插值生成小鼠胚胎细胞的连续发育轨迹，以此证明 scDiffusion 是增强真实 scRNA-seq 数据和深入研究细胞命运的强大工具。

    Jan, 2024

  • 基于统计和机器学习方法的基因表达谱分析的比较分析

    机器学习模型在表达基因数据的表型分类方面取得了好的性能，通过提取决策的解释，这些模型能提供对表型的理解，讨论了这种解释的生物学和方法论限制，并在癌症和健康组织样本的多个数据库上进行了实验。

    Feb, 2024

  • 可扩展的分摊 GPLVMs 用于单细胞转录组学数据

    通过改进的压缩随机变分贝叶斯 GPLVM 模型，我们成功实现了对单细胞 RNA-seq 数据的解释性降维分析，该模型在细胞类型聚类、细胞周期和批次信息的加入等方面表现出相当高的效果，并通过应用于先天免疫数据集验证了更可解释的潜在结构。

    May, 2024

  • 结构化人群的遗传变异概率模型应用于全球人类研究

    本文提出两种概率模型：一种是利用主成分分析（PCA）实现 Pritchard-Stephens-Donnelly 混合成员模型的估计，另一种是基于人口结构模型的概率模型的新 “逻辑因子分析”（LFA）框架的提出，这些模型较少地提出了建模假设，而这些模型能识别与结构存在高度分化的 SNPs。

    Dec, 2013