hello，大家好，今天给大家分享一个新的内容，基因调控网络分析，文章在Modeling gene regulatory networks using neural network architectures，文章中提出的DeepSEM，可以针对单细胞转录组数据，进行基因调控网络推断，数据可视化和聚类，以及模拟数据生成，非常好的方法，值得大家借鉴和学习。
不同细胞类型中，基因调控网络存在差异，通过单细胞测序，可以找出这些差异。但由于单细胞数据中，不同细胞类型间的噪声大，传统的方法需要复杂校正，而基于深度学习的方法，往往模型是一个黑箱，对其内部运行的细节知之甚少。而DeepSEM，能够只基于单细胞转录组数据，不使用转录因子或单细胞 ATAC数据，就能完成基因调控网络的推断。
图片.png
DeepSEM的算法架构是一个beta变分自编码器，其中编码器在经过多层感知机降维之后，通过优化编码器的模拟数据和真实数据的误差，训练模型中的参数，经由编码器，可得出基因调控网络，经由对神经网络权重的UMAP。可得出单细胞数据的聚类及可视化；而通过编码器，可生产类似给定训练数据的模拟数据集，生成的模拟数据，可在数据集有限的情况下，通过结合模拟数据，提升细胞类型分类模型的准确性，增强差异基因识别的准确性。
在来自人类和小鼠的五个细胞系中，选取不同大小的基因调控网络中，在已知调控网络时，使用不同的标准集，DeepSEM的表现，都优于其它方法，而当真集变为细胞特异的chip-seq数据时，其相比非特异性chip-seq数据为真集时，效果更好
图片.png
- 注：使用不同数据，将随机预测得出的情况作为最差预测，通过颜色判断推断出的转录网络好坏，图中的数字越小，模型预测的调控网络的边和实际情况越接近。
使用表观数据来验证，发现6个细胞的聚类分开，且不同细胞中，基因Rotb和Syt6预测的调控基因，其表达量都相对较高，这进一步说明了该方法预测的基因调控网络的准确性。
图片.png
之后，该文论证了使用DeepSEM得出的低维度表征的有效性，相比其它方法得出的低维度表征，在由小鼠大脑，胚胎及外周血组成的数据集中，使用DeepDEM得出的表征，在可视化后细胞间分的更开，且ARI和MNI两个量化指标得分也更高。
图片.png
由于DeepSEM的运行时间，会随着转录组中基因数目的变化而增大，因此作者推荐输入数据应先筛选出高可变基因，而不是以全部转录组作为输入。考虑到基因调控网络在各类细胞中是相同的，该方法构建的调控网络，可以作为隐空间，用于单细胞数据的批次校正。同时，类似的方法，未来还可能应用于更多类型的数据，例如转录组或染色质开放性的测序数据上。
示例代码链接
数据聚类
网络调控推断
数据模拟
生活很好，有你更好
