新的多任务深度学习框架集成了大规模单细胞蛋白质组学和转录组学数据
单细胞多组学技术的指数级进步导致了大型且多样化的多组学数据集的积累。然而,单细胞蛋白质组学和转录组学(或表观基因组学)数据的整合对现有方法提出了重大挑战。一些基于 Transformer 的模型,例如 Geneformer,已经显着改变了单细胞转录组分析的范式。然而,这些方法对计算资源提出了很高的要求。
为了应对这些挑战,中国科学院武汉植物园的研究人员开发了一种基于 Transformer 的方法,称为 scmFormer,使用多任务 Transformer 集成大规模单细胞蛋白质组和转录组数据。该研究题为“scmFormer Integrates Large‐Scale Single‐Cell Proteomics and Transcriptomics Data by Multi‐Task Transformer”,发表在《Advanced Science》上。
研究人员对该方法进行了综合评估并进行了案例研究,结果表明,scmFormer 在利用有限的计算机资源协调细胞类型和更精细细胞水平的大规模单细胞组学和蛋白质组学数据集方面表现出了卓越的能力。
此外,scmFormer 具有集成多个单细胞配对多模式数据集的能力,从而带来降低高成本和提高生物学洞察力的双重好处。
此外,scmFormer 表现出出色的能力,可以消除不同组学模式之间的技术差异,同时保留数据中固有的潜在生物信息,涵盖细胞类型和实验条件。
免责声明:本答案或内容为用户上传,不代表本网观点。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。 如遇侵权请及时联系本站删除。