Biological representation disentanglement of single-cell data
Notice bibliographique
Résumé
Abstract Due to its internal state or external environment, a cell’s gene expression profile contains multiple signatures, simultaneously encoding information about its characteristics. Disentangling these factors of variations from single-cell data is needed to recover multiple layers of biological information and extract insight into the individual and collective behavior of cellular populations. While several recent methods were suggested for biological disentanglement, each has its limitations; they are either task-specific, cannot capture inherent nonlinear or interaction effects, cannot integrate layers of experimental data, or do not provide a general reconstruction procedure. We present biolord , a deep generative framework for disentangling known and unknown attributes in single-cell data. Biolord exposes the distinct effects of different biological processes or tissue structure on cellular gene expression. Based on that, biolord allows generating experimentally-inaccessible cell states by virtually shifting cells across time, space, and biological states. Specifically, we showcase accurate predictions of cellular responses to drug perturbations and generalization to predict responses to unseen drugs. Further, biolord disentangles spatial, temporal, and infection-related attributes and their associated gene expression signatures in a single-cell atlas of Plasmodium infection progression in the mouse liver. Biolord can handle partially labeled attributes by predicting a classification for missing labels, and hence can be used to computationally extend an infected hepatocyte population identified at a late stage of the infection to earlier stages. Biolord applies to diverse biological settings, is implemented using the scvi-tools library, and is released as open-source software at https://github.com/nitzanlab/biolord .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».