题目:Explainable multi-task learning for multimodality biological data analysis
文献来源:Nature Communications | (2023) 14:2546
代码:无
简介:目前的生物技术可以同时测量来自同一细胞的多种高维模式(如RNA、DNA可及性和蛋白质)。需要综合不同的分析任务(例如,多模态整合和跨模态分析)来综合理解这些数据,从而推断基因调控如何驱动生物多样性和功能。然而,目前的分析方法被设计为执行单一任务,只提供多模态数据的部分图像。在这里,作者提出了联合网络,一个可解释的多任务深度神经网络,能够整合不同的任务来分析单细胞多模态数据。应用于各种多模态数据集(如Patch-seq、多组ATAC +基因表达和空间转录组学),与最先进的方法相比,联合网络在多模态集成和跨模态预测方面表现出了相似或更好的准确性。此外,通过使用可解释的机器学习算法解剖训练后的联合网络,可以直接量化基因表达和其他具有细胞类型特异性的模式之间的关系。联合网络是一个全面的端到端框架,可以广泛适用于单细胞多形态生物学。该框架有可能促进发现跨转录组学和其他模式的细胞类型特异性调控动力学。
主要内容:
-------------------------------------------
欢迎点赞收藏转发!
下次见!