scFusionTTT：基于测试时训练层的单细胞转录组与蛋白质组融合
机器学习
2024-10-18 v1 人工智能
摘要
单细胞多组学是指配对的多模态数据，例如通过测序进行转录组和表位的细胞索引，其中每个细胞的调控是从不同模态（即基因和蛋白质）测量的。单细胞多组学可以揭示肿瘤内部的异质性，并理解不同细胞类型的独特遗传特性，这对于靶向治疗至关重要。目前，生物信息学领域中基于注意力结构的深度学习方法面临两个挑战。第一个挑战是单个细胞中基因数量庞大。传统的基于注意力的模块由于其长上下文学习能力有限且计算复杂度高，难以有效利用所有基因信息。第二个挑战是人类基因组中的基因是有序的，并且相互影响表达。大多数方法忽略了这种序列信息。最近引入的测试时训练层是一种新颖的序列建模方法，特别适合处理像基因组数据这样的长上下文，因为测试时训练层是一种线性复杂度的序列建模结构，并且更适合具有序列关系的数据。在本文中，我们提出了scFusionTTT，一种基于测试时训练掩码自编码器的单细胞多模态组学融合新方法。值得注意的是，我们将人类基因组中基因和蛋白质的顺序信息与测试时训练层相结合，融合多模态组学，并增强单模态组学分析。最后，该模型采用三阶段训练策略，在四个多模态组学数据集和四个单模态组学数据集的大多数指标上取得了最佳性能，展示了我们模型的优越性能。数据集和代码将在 https://github.com/DM0815/scFusionTTT 上提供。
引用
@article{arxiv.2410.13257,
title = {scFusionTTT: Single-cell transcriptomics and proteomics fusion with Test-Time Training layers},
author = {Dian Meng and Bohao Xing and Xinlei Huang and Yanran Liu and Yijun Zhou and Yongjun xiao and Zitong Yu and Xubin Zheng},
journal= {arXiv preprint arXiv:2410.13257},
year = {2024}
}