基于循环一致性学习的单细胞扰动对新药响应可解释建模
定量方法
2023-11-20 v1 机器学习
摘要
基于表型的筛选在识别细胞活性化合物方面备受关注。细胞群体或单细胞的转录组和蛋白质组谱是细胞对扰动响应的信息性表型度量。本文中，我们提出了一种基于编码器-解码器架构的深度学习框架，该框架将初始细胞状态映射到一个潜空间，其中我们假设药物扰动对细胞状态的影响遵循线性可加性。接下来，我们引入循环一致性约束，以强制初始细胞状态经药物扰动后产生扰动后的细胞响应，反之，从扰动后的细胞状态中去除药物扰动可恢复初始细胞状态。潜空间中的循环一致性约束与线性建模能够学习可解释且可迁移的药物扰动表示，从而我们的模型可以预测细胞对未见药物的响应。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、批量蛋白质组响应以及单细胞转录对药物扰动的响应。实验结果表明，我们的模型比现有最先进的方法取得了更好的性能。
引用
@article{arxiv.2311.10315,
title = {Interpretable Modeling of Single-cell perturbation Responses to Novel Drugs Using Cycle Consistence Learning},
author = {Wei Huang and Aichun Zhu and Hui Liu},
journal= {arXiv preprint arXiv:2311.10315},
year = {2023}
}