Улучшение прогнозирования пространственной экспрессии генов с помощью мета-алгоритмической интеграции

«`html

Улучшение прогнозирования пространственной экспрессии генов и последующего анализа с помощью мета-алгоритма SPRITE

Пространственно разрешенная одноклеточная транскриптомика предоставляет информацию о экспрессии генов в тканях, но текущие технологии ограничены возможностью измерения только небольшого количества генов. Для решения этой проблемы были разработаны алгоритмы для предсказания или дополнения экспрессии дополнительных генов. Эти методы часто используют сопоставленные данные одноклеточного секвенирования РНК, объединяя пространственные и РНК-секвенирование для предсказаний. Однако большинству подходов все еще не хватает полного использования относительной информации между генами (например, коэкспрессии) или клетками (например, пространственной близости). Внедрение этой относительной информации может улучшить точность прогнозов экспрессии генов и улучшить последующий биологический анализ.

Разработка мета-алгоритма SPRITE

Исследователи Университетов Стэнфорда и Гарварда создали мета-алгоритм SPRITE (Spatial Propagation and Reinforcement of Imputed Transcript Expression), предназначенный для улучшения прогнозирования пространственной экспрессии генов. SPRITE улучшает прогнозы существующих методов, распространяя информацию по сетям корреляции генов и пространственных графам соседства. Этот двухэтапный процесс повышает точность прогнозов пространственной экспрессии генов, что приводит к улучшению производительности в последующем анализе, таком как кластеризация, визуализация и классификация клеток. SPRITE может быть интегрирован в анализ данных пространственной транскриптомики для улучшения качества выводов на основе предсказанной экспрессии генов.

Оценка и применение SPRITE

Алгоритм SPRITE был протестирован на одиннадцати эталонных наборах данных, объединяющих пространственную транскриптомику с данными РНК-секвенирования четырех видов: человека, мыши, фруктового муха и аксолотля. Эти наборы данных, использующие различные технологии и типы тканей, были выбраны для поддержания согласованности внутри видов и категорий тканей. Перед использованием данные РНК-секвенирования прошли нормализацию и логарифмическое преобразование. SPRITE был оценен с помощью трех методов прогнозирования пространственной экспрессии генов — SpaGE, Tangram и Harmony-kNN — каждый из которых использует различные подходы к сопоставлению и прогнозированию экспрессии генов. Точность этих прогнозов до и после применения SPRITE была измерена с использованием PCC и средней абсолютной ошибки (MAE).

Основные этапы работы SPRITE

SPRITE работает на двух ключевых этапах: этапе «Усиление» и этапе «Сглаживание». Этап «Усиление» распространяет ошибки прогнозирования по сети корреляции генов для коррекции прогнозов целевых генов с использованием итеративного процесса сглаживания. Эта сеть строится на основе ранговых корреляций Спирмена между предсказанными экспрессиями генов. Этап «Сглаживание» дополнительно улучшает прогнозы, распространяя их по пространственному графу соседства на основе евклидовых расстояний между центроидами клеток и скорректированных для сходства типов клеток. Улучшенные через эти этапы прогнозы SPRITE были оценены на их влияние на последующие анализы, такие как кластеризация, визуализация и классификация клеток, демонстрируя улучшение точности прогнозов и качества биологических выводов.

Преимущества SPRITE

SPRITE — это мета-алгоритм, улучшающий прогнозы пространственной экспрессии генов путем коррекции ошибок через сеть корреляции генов («Усиление») и сглаживания прогнозов по пространственному графу соседства («Сглаживание»). Примененный к прогнозам методов, таких как SpaGE, Tangram и Harmony-kNN на различных наборах данных, SPRITE в целом повысил точность прогнозов, уменьшая среднюю абсолютную ошибку и часто увеличивая корреляцию с данными эталона. Обе компоненты SPRITE являются важными, поскольку их комбинация дает лучшие результаты. Более того, SPRITE улучшает последующие задачи, такие как кластеризация клеток, визуализация данных и классификация типов клеток, часто превосходя модели, обученные на исходных измеренных данных.

Интеграция ИИ в бизнес

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте SPRITE для улучшения прогнозирования пространственной экспрессии генов и последующего анализа. Проанализируйте, как ИИ может изменить вашу работу, определите, где возможно применение автоматизации и подберите подходящее решение. Начните с малого проекта и постепенно расширяйте автоматизацию на основе полученных данных и опыта. Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358.

Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж и снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!

Посмотрите статью и GitHub. Вся заслуга за это исследование принадлежит его авторам. Также не забудьте подписаться на наш Телеграм-канал и присоединиться к нашей группе в LinkedIn. Если вам нравится наша работа, вам понравится и наша рассылка.

Не забудьте присоединиться к нашему 47k+ ML SubReddit.

Найдите предстоящие вебинары по ИИ здесь.

Arcee AI выпустила DistillKit: Open Source, простой в использовании инструмент для трансформации моделирования для создания эффективных высокопроизводительных малых языковых моделей.

Статья SPRITE (Spatial Propagation and Reinforcement of Imputed Transcript Expression): Enhancing Spatial Gene Expression Predictions and Downstream Analyses Through Meta-Algorithmic Integration впервые появилась на MarkTechPost.

«`