佩林·贡多杜;巴亚·米兰斯，米里亚姆;阿拉莫·阿尔瓦雷斯，因马卡拉达;Nepomuceno-Chamorro，Isabel A。;Joaquin Dopazo;卡洛斯·卢塞拉 细胞级通路评分与生物约束可变自动编码器的比较。 （英语） Zbl 1533.92157号 Pang，Jun（编辑）等人，《系统生物学中的计算方法》。第21届国际会议，CMSB 2023，卢森堡市，卢森堡，2023年9月13日至15日。诉讼程序。查姆：斯普林格。莱克特。注释计算。科学。14137, 62-77 (2023). 摘要：在研究和理解以单细胞分辨率分析基因组数据时出现的复杂模式时，无监督技术无处不在。特别是，无监督的深度学习模型为处理scRNA-seq数据时出现的最常见任务提供了最先进的解决方案。然而，这些复杂模型的生物实用性受到其黑盒性质的影响。为了解决这些局限性，出现了几条研究路线，从事后近似到事后建模。在这项工作中，我们研究了两个生物约束变分自编码器的行为（前hoc建模）。一方面，我们使用一个约束来自信号通路的单层架构，另一方面，根据信号转导机制模型的最新趋势，我们提出了一个双层架构。我们使用模型学习到的表示作为单细胞水平上信号活动的代理。我们使用已知的scRNA-seq公共数据集和明确确定的基本事实来检查评分模型的性能。虽然这两个模型都捕捉到了相关的信号，但最显著的差异可以通过单层体系结构更好地捕捉到，而双层设计能够学习到更细粒度的特征，这些特征可以暴露数据中不太突出的方面。关于整个系列，请参见[Zbl 1531.92007年]. MSC公司： 92D20型 蛋白质序列，DNA序列 关键词：变分自动编码器;单细胞RNA测序;潜在空间表示;可解释神经网络（xAI） 软件：风景;UMAP公司;科学Py;TensorFlow公司;KEGG公司;稀薄的;数字Py;亚当 PDF格式BibTeX公司 XML格式引用 \textit{P.Gundogdu}等人，Lect。注释计算。科学。14137，62-77（2023；Zbl 1533.92157） 全文： 内政部 链接 参考文献： [1] Abadi，M.等人：TensorFlow:异构分布式系统上的大规模机器学习，2016年3月。doi:10.48550/arXiv.1603.04467 [2] Aibar，S.，SCENIC：单细胞调控网络推断和聚类，《自然方法》，14，11，1083-1086（2017）·doi:10.1038/nmeth.4463 [3] Badia-i-Mompel，P.等人：decobleR：从组学数据推断生物活性的计算方法集合。生物信息学。高级2（1），vbac016（2022）。doi:10.1093/bioadv/vbac016 [4] Benjamini，Y.，Hochberg，Y.：控制错误发现率：一种实用且强大的多重测试方法。J.罗伊。统计社会服务。B（方法学）57（1），289-300（1995）。doi:10.1111/j.2517-6161.1995.tb02031.x·Zbl 0809.62014号 [5] 乔布克，C。；Loucera，C。；Peña-Chilet，M。；Dopazo，J.，乳腺癌代谢物生成和信号传导活性之间的串扰，国际分子科学杂志。，24, 8, 7450 (2023) ·doi:10.3390/ijms24087450 [6] Dash，T。；Chitlangia，S。；Ahuja，A。；Srinivasan，A.，《将领域知识纳入深度神经网络的一些技术综述》，科学。代表，12，1，1040（2022）·doi:10.1038/s41598-021-04590-0 [7] Gillespie，M.，《反应体途径知识库2022》，核酸研究，50，D1，D687-D692（2022）·doi:10.1093/nar/gkab1028 [8] Graziani，M.，《可解释人工智能的全球分类：统一技术和社会科学术语》，Artif。智力。修订版，56，4，3473-3504（2023）·doi:10.1007/s10462-022-10256-8 [9] Gundogdu，P。；阿拉莫，I。；内波穆塞诺·查莫罗，IA；Dopazo，J。；Loucera，C.，SigPrimedNet:已知和未知细胞类型scRNA-seq注释的信号通知神经网络，生物学，12，4，579（2023）·doi:10.3390/生物12040579 [10] Gundogdu，P。；Loucera，C。；阿拉莫·阿尔瓦雷斯，I。；Dopazo，J。；Nepomuceno，I.，《将通路知识与深度神经网络相结合以降低单细胞RNA-seq数据的维数》，生物数据挖掘，第15、1、1页（2022年）·doi:10.1186/s13040-021-00285-4 [11] 哈里斯，CR，《使用NumPy进行数组编程》，《自然》，585，7825，357-362（2020）·doi:10.1038/s41586-020-2649-2 [12] Heumos，L.等人：跨模式单细胞分析的最佳实践。Nat.Rev.基因。(2023). doi:10.1038/s41576-023-00586-w [13] Hidalgo，M.R.，Cubuk，C.，Amadoz，A.，Salavert，F.，Carbonell-Caballero，J.，Dopazo，J.:功能细胞活动的高通量估计揭示了疾病机制并预测了相关临床结果。Oncotarget 8（3），5160-5178（2016）。doi:10.18632/目标14107 [14] Kang，HM，《利用自然遗传变异进行多重液滴单细胞RNA测序》，国家生物技术。，36, 1, 89-94 (2018) ·doi:10.1038/nbt.4042 [15] Kingma，D.P.，Ba，J.：《亚当：随机优化方法》，2017年1月。doi:10.48550/arXiv.1412.6980 [16] Kuenzi，BM，使用人类癌症细胞的深度学习模型预测药物反应和协同作用，《癌症细胞》，38，5，672-684.e6（2020）·doi:10.1016/j.cell.2020.09.014 [17] Lähnemann，D.，《单细胞数据科学的十一大挑战》，《基因组生物学》。，21, 1, 31 (2020) ·doi:10.1186/s13059-020-1926-6 [18] Levine，J.H.等：数据驱动的AML表型解剖揭示了与预后相关的祖细胞样细胞。细胞162（1），184-197（2015）。doi:10.1016/j.cell.2015.05.047 [19] Li，C.等：SciBet是一种便携式快速单细胞类型标识符。国家公社。11(1), 1818 (2020). doi:10.1038/s41467-020-15523-2。https://www.nature.com/articles/s41467-020-15523-2，bandiera_abtest:a Cc_license_type:Cc_by Cg_type:Nature Research Journals Number:1 Primary_atype:Research Publisher:Nature Publishing Group Subject_term:Machine learning；转录组学Subject_term_id：机器学习；转录组学 [20] Lotfollahi，M.，《生物学》，《深入学习查询单细胞图谱中的基因程序》，《自然细胞生物学》。，25, 2, 337-350 (2023) ·doi:10.1038/s41556--022-01072-x [21] Ma，J.，使用深度学习建模细胞的层次结构和功能，《自然方法》，15，4，290-298（2018）·数字对象标识代码：10.1038/nmeth.4627 [22] McInnes，L.，Healy，J.，Melville，J.：UMAP：统一流形近似和降维投影，2020年9月。doi:10.48550/arXiv.1802.03426 [23] Ogata，H。；Goto，S。；佐藤，K。；Fujibuchi，W。；博诺，H。；Kanehisa，M.，KEGG：《京都基因和基因组百科全书》，《核酸研究》，27，1，29-34（1999）·doi:10.1093/nar/27.1.29 [24] 彼得格罗索，R。；李，Z。；Kuang，R.，聚类单细胞RNA测序数据的机器学习和统计方法，简介。生物信息。，21, 4, 1209-1223 (2020) ·doi:10.1093/bib/bbz063 [25] Regev，A.等人：人类细胞图谱会议参与者：人类细胞图集。eLife 6，e27041（2017）。doi:10.7554/eLife.27041 [26] 特拉格，V。；沃尔特曼，L。；新泽西州范·埃克（van Eck），《从鲁汶到莱顿：保障联系紧密的社区》，科学。代表，9，1，5233（2019）·doi:10.1038/s41598-019-41695-z [27] Virshup，I.等人：scverse项目为单细胞组学数据分析提供了一个计算生态系统。自然生物技术。，1-3 (2023). doi:10.1038/s41587-023-01733-8 [28] Virshup，I.、Rybakov，S.、Theis，F.J.、Angerer，P.、Wolf，F.A.：Anndata：注释数据，2021年12月。数字对象标识代码：10.1101/2021.12.16.473007 [29] Virtanen，P.等人：SciPy 1.0：Python中科学计算的基本算法。《自然方法》17（3），261-272（2020）。doi:10.1038/s41592-019-0686-2 [30] Wang，J.，Zou，Q.，Lin，C.：单细胞RNA测序数据基于深度学习的预处理和聚类方法的比较。生物信息简介。23（1），bbab345（2022）。doi:10.1093/bib/bbab345 [31] 方式，GP；Greene，CS，《利用机器学习发现转录组概要中的通路和细胞类型特征》，Ann.Rev.Biomed。数据科学。，2, 1, 1-17 (2019) ·doi:10.1146/annurev-biodatascience 072018-021348 [32] 沃尔夫，FA；Angerer，P。；Theis，FJ，SCANPY：大规模单细胞基因表达数据分析，基因组生物学。，19, 1, 15 (2018) ·doi:10.1186/s13059-017-1382-0 [33] 扎皮亚，L。；Theis，FJ，超过1000种工具揭示了单细胞RNA-seq分析领域的趋势，Genome Biol。，22, 1, 301 (2021) ·doi:10.1186/s13059-021-02519-4 [34] Zhao，Y。；邵，J。；Asmann，YW，用于转录组数据的可解释机器学习模型的评估和优化，基因组蛋白质组学生物信息学。，20, 5, 899-911 (2022) ·doi:10.1016/j.gpb.2022.07.003 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。