Deep Learning für Einzelzell-Sequenzierung: Ein Mikroskop, um die Vielfalt der Zellen zu sehen
Die Einzelzell-Sequenzierungstechnologie (sc-seq) ermöglicht die Analyse einzelner Zellen und deckt die zelluläre Heterogenität auf. Deep Learning, insbesondere Autoencoder, wird zunehmend eingesetzt, um die hochdimensionalen, nichtlinearen und heterogenen Eigenschaften von sc-seq-Daten zu bewältigen und die Identifizierung und Charakterisierung von Zelltypen zu ermöglichen.
Die Einzelzellsequenzierung (sc-seq) ist eine Technologie, die die Analyse einzelner Zellen ermöglicht und die zelluläre Heterogenität aufdeckt. Das menschliche Genom enthält etwa 20.000 bis 25.000 proteinkodierende Gene, und die sc-seq, insbesondere die Einzelzell-RNA-Sequenzierung (scRNA-seq), erlaubt die Messung der Genexpression auf Einzelzellebene. Deep Learning wird aufgrund seiner Fähigkeit, hochdimensionale, nichtlineare und heterogene Daten zu verarbeiten, zunehmend auf sc-seq-Daten angewendet. Autoencoder, insbesondere denoising Autoencoder, werden häufig für die Dimensionsreduktion und Zellclusterung eingesetzt und übertreffen dabei traditionelle Methoden wie die Hauptkomponentenanalyse (PCA). Das Human Cell Atlas Project (HCAP) zielt darauf ab, alle menschlichen Zellen zu kartieren, und die räumlich aufgelöste Transkriptomik (SRT) adressiert den Verlust von räumlichen Informationen in der scRNA-seq. Deep Learning hilft dabei, komplexe Muster zu erfassen, neuartige Zelltypen zu identifizieren und multimodale Daten zu integrieren.
Quelle: The Gradient —
Original