Nov, 2023
使用循环一致性学习对单细胞干预反应进行可解释建模
Interpretable Modeling of Single-cell perturbation Responses to Novel
Drugs Using Cycle Consistence Learning
TL;DR基于表型的筛选方法在识别具有活性的化合物方面引起了广泛的关注。本文提出了一种基于编码-解码架构的深度学习框架,可以将初始细胞状态映射到潜在空间中,其中假设药物对细胞状态的影响符合线性可加性。通过引入循环一致性约束条件,我们可以强制要求经过药物干扰的初始细胞状态产生受扰动的细胞响应,反之亦然,从受扰动的细胞状态中去除药物干扰则会恢复到初始细胞状态。循环一致性约束条件和潜在空间中的线性建模能够学习可解释且可迁移的药物干扰表示,从而使我们的模型能够预测对未知药物的细胞响应。我们在三种不同类型的数据集上验证了我们的模型,包括批量转录响应、批量蛋白响应以及单细胞转录响应对药物扰动。实验结果显示,我们的模型比现有的最先进方法取得了更好的性能。