用于填补缺失基因表达测量的 scRNA-seq 与空间转录组学非配对数据联合模型
机器学习
2019-05-08 v1 基因组学
机器学习
摘要
转录组的空间研究为生物学家提供了异质且复杂组织的基因表达图谱。然而，大多数空间转录组学实验方案需要在事先选定一小部分基因以在全转录组上定量。标准单细胞 RNA 测序（scRNA-seq）更为普遍、更易实施，且原则上可捕获任意基因，但无法恢复细胞的空间位置。在本稿中，我们聚焦于基于来自同一生物组织的（非配对）标准 scRNA-seq 数据，对空间转录组学数据中缺失基因进行填补的问题。基于域自适应工作，我们提出 gimVI，一种用于整合空间转录组学数据与 scRNA-seq 数据的深度生成模型，可用于填补缺失基因。在描述我们的生成模型及其推断流程后，我们在真实数据集上将 gimVI 与来自计算生物学或域自适应的替代方法比较，在填补留出基因上优于 Seurat Anchors、Liger 和 CORAL。
引用
@article{arxiv.1905.02269,
title = {A joint model of unpaired data from scRNA-seq and spatial transcriptomics for imputing missing gene expression measurements},
author = {Romain Lopez and Achille Nazaret and Maxime Langevin and Jules Samaran and Jeffrey Regier and Michael I. Jordan and Nir Yosef},
journal= {arXiv preprint arXiv:1905.02269},
year = {2019}
}
备注
submitted to the 2019 ICML Workshop on Computational Biology