Новый метод для вывода регуляторных сетей генов из данных одноклеточной транскриптомики

Технологии одноклеточного РНК-секвенирования (scRNA-seq) открывают возможность изучения регуляторных механизмов с разрешением на уровне одной клетки. Регуляторные сети генов (GRNs) являются ключевой схемой этих механизмов в клеточных системах. Исследователи из Уханьского ботанического сада Китайской академии наук разработали новый метод STGRNS для построения GRNs из данных scRNA-seq с использованием модели глубокого обучения. Результаты опубликованы в журнале Bioinformatics, а инструмент и руководство доступны публично.

В этом алгоритме предложена техника мотива экспрессии генов, которая преобразует каждую пару генов в форму, воспринимаемую кодировщиком трансформера. Избегая пропуска специфичных для фазы регуляций в сети, STGRNS может точно выводить GRNs из статических, псевдовременных или временных рядов данных одноклеточного транскриптома.

Исследователи показали, что STGRNS превосходит другие современные методы глубокого обучения на 48 эталонных наборах данных, включая 21 набор статических scRNA-seq данных и 27 наборов данных временных рядов scRNA-seq.

В отличие от других методов на основе глубокого обучения, которые часто являются «черными ящиками» с непрозрачной логикой предсказаний, STGRNS более надежен и позволяет интерпретировать свои прогнозы.

Кроме того, STGRNS имеет меньше гиперпараметров по сравнению с другими методами реконструкции GRN на основе моделей глубокого обучения, что является одной из основных причин его отличной обобщающей способности.