用于空间转录组学中细胞类型解卷积的掩码对抗神经网络
机器学习
2024-08-12 v1
摘要
准确确定疾病相关组织中的细胞类型组成对于识别疾病靶点至关重要。大多数现有的空间转录组学（ST）技术无法实现单细胞分辨率，使得准确确定细胞类型变得困难。为解决此问题，开发了各种解卷积方法。这些方法大多使用来自同一组织的单细胞 RNA 测序（scRNA-seq）数据作为参考来推断 ST 数据点中的细胞类型。然而，它们往往忽略了 scRNA-seq 数据与 ST 数据之间的差异。为克服这一局限性，我们提出了一种掩码对抗神经网络（MACD）。MACD 利用对抗学习将真实 ST 数据与从 scRNA-seq 数据生成的模拟 ST 数据对齐。通过将它们映射到统一的潜在空间中，可以最小化两种数据类型之间的差异。此外，MACD 使用掩码技术来有效学习真实 ST 数据的特征并减轻噪声。我们在 32 个模拟数据集和 2 个真实数据集上评估了 MACD，证明了其在执行细胞类型解卷积方面的准确性。本文中的所有代码和公共数据集可在 https://github.com/wenwenmin/MACD 和 https://zenodo.org/records/12804822 获取。
引用
@article{arxiv.2408.05065,
title = {Masked adversarial neural network for cell type deconvolution in spatial transcriptomics},
author = {Lin Huang and Xiaofei Liu and Shunfang Wang and Wenwen Min},
journal= {arXiv preprint arXiv:2408.05065},
year = {2024}
}