Diep leren voor single-cel sequencing: een microscoop om de diversiteit van cellen te zien

Single-cel sequencing (sc-seq) technologie maakt de analyse van individuele cellen mogelijk en onthult cellulaire heterogeniteit. Het menselijk genoom bevat ongeveer 20.000 tot 25.000 eiwitcoderende genen, en sc-seq, met name single-cell RNA-sequencing (scRNA-seq), maakt het mogelijk om genexpressie op het niveau van individuele cellen te meten. Deep learning wordt steeds vaker toegepast op sc-seq-data vanwege het vermogen om hoogdimensionale, niet-lineaire en heterogene data te verwerken. Auto-encoders, met name denoising auto-encoders, worden vaak gebruikt voor dimensionaliteitsreductie en celclustering, en presteren beter dan traditionele methoden zoals PCA. Het Human Cell Atlas Project (HCAP) heeft als doel om alle menselijke cellen in kaart te brengen, en ruimtelijk opgeloste transcriptomica (SRT) pakt het verlies van ruimtelijke informatie in scRNA-seq aan. Deep learning helpt bij het vastleggen van complexe patronen, het identificeren van nieuwe celtypen en het integreren van multimodale data.