A unified model for interpretable latent embedding of multi-sample, multi-condition single-cell data
Notice bibliographique
Résumé
Abstract Analysis of single cells across multiple samples and/or conditions encompasses a series of interrelated tasks, which range from normalization and inter-sample harmonization to identification of cell state shifts associated with experimental conditions. Other downstream analyses are further needed to annotate cell states, extract pathway-level activity metrics, and/or nominate gene regulatory drivers of cell-to-cell variability or cell state shifts. Existing methods address these analytical requirements sequentially, lacking a cohesive framework to unify them. Moreover, these analyses are currently confined to specific modalities where the biological quantity of interest gives rise to a singular measurement. However, other modalities require joint consideration of dual measurements; for example, modeling the latent space of alternative splicing involves joint analysis of exon inclusion and exclusion reads. Here, we introduce a generative model, called GEDI, to identify latent space variations in multi-sample, multi-condition single cell datasets and attribute them to sample-level covariates. GEDI enables cross-sample cell state mapping on par with the state-of-the-art integration methods, cluster-free differential gene expression analysis along the continuum of cell states in the form of transcriptomic vector fields, and machine learning-based prediction of sample characteristics from single-cell data. By incorporating gene-level prior knowledge, it can further project pathway and regulatory network activities onto the cellular state space, enabling the computation of the gradient fields of transcription factor activities and their association with the transcriptomic vector fields of sample covariates. Finally, we demonstrate that GEDI surpasses the gene-centric approach by extending all these concepts to the study of alternative cassette exon splicing and mRNA stability landscapes in single cells.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».