CRADLE-VAE：基于反事实推理的伪影解耦增强单细胞基因扰动建模
机器学习
2024-09-11 v2 人工智能
基因组学
定量方法
摘要
预测细胞对各种扰动的反应是药物发现和个性化治疗的关键焦点，深度学习模型在这一工作中发挥着重要作用。单细胞数据集包含技术伪影，可能会阻碍此类模型的可预测性，这在该领域引起了高度关注的质量控制问题。为了解决这个问题，我们提出了CRADLE-VAE，这是一个为单细胞基因扰动建模量身定制的因果生成框架，并通过基于反事实推理的伪影解耦进行了增强。在整个训练过程中，CRADLE-VAE对单细胞数据集中存在的技术伪影和扰动效应的潜在分布进行了建模。它采用反事实推理，通过调节潜在基础空间来有效解耦此类伪影，并学习具有改善质量的用于生成细胞反应数据的鲁棒特征。实验结果表明，这种方法不仅改善了处理效应估计性能，也提高了生成质量。CRADLE-VAE代码库已在 https://github.com/dmis-lab/CRADLE-VAE 公开。
引用
@article{arxiv.2409.05484,
title = {CRADLE-VAE: Enhancing Single-Cell Gene Perturbation Modeling with Counterfactual Reasoning-based Artifact Disentanglement},
author = {Seungheun Baek and Soyon Park and Yan Ting Chok and Junhyun Lee and Jueon Park and Mogan Gim and Jaewoo Kang},
journal= {arXiv preprint arXiv:2409.05484},
year = {2024}
}