条件相似三元组实现单细胞数据的协变量感知表征
机器学习
2024-11-26 v2
摘要
单细胞技术通过测量每个单个细胞的多个基因或蛋白质，使我们能够对多样化的免疫细胞类型进行综合描绘。为了将从血液或组织中测得的免疫信号转化为强大的诊断工具，常常会采用机器学习方法来计算免疫概览或每个样本的特征化结果，这些结果可用于感兴趣的模型的输入。当前用于计算每个样本表征的监督式学习方法仅针对预测单个结果进行训练，不考虑可能为每个样本也测量的其他相关临床特征或协变量。本文介绍了一种新方法，用于在优化模型参数时纳入测量的协变量，以最终指定对免疫信号和额外临床信息都准确影响的每个样本的编码。我们引入的方法 CytoCoSet 是一种基于集合的编码方法，用于学习每个样本的特征化结果，其形式化地将具有相似协变量的样本之间的嵌入结果差异的罚项纳入损失函数。总体而言，纳入临床协变量可实现学习每个单个样本的编码，从而最终提高对临床结果的预测。
引用
@article{arxiv.2406.08638,
title = {Conditional Similarity Triplets Enable Covariate-Informed Representations of Single-Cell Data},
author = {Chi-Jane Chen and Haidong Yi and Natalie Stanley},
journal= {arXiv preprint arXiv:2406.08638},
year = {2024}
}