Joint trajectory inference for single-cell genomics using deep learning with a mixture prior

推论 自编码 计算机科学 人工智能 弹道 可解释性 机器学习 稳健性(进化) 深度学习 人口 生物 天文 物理 社会学 人口学 基因 生物化学
作者
Jin‐Hong Du,Tianyu Chen,Ming Gao,Jingshu Wang
出处
期刊:Proceedings of the National Academy of Sciences of the United States of America [Proceedings of the National Academy of Sciences]
卷期号:121 (37) 被引量:1
标识
DOI:10.1073/pnas.2316256121
摘要

Trajectory inference methods are essential for analyzing the developmental paths of cells in single-cell sequencing datasets. It provides insights into cellular differentiation, transitions, and lineage hierarchies, helping unravel the dynamic processes underlying development and disease progression. However, many existing tools lack a coherent statistical model and reliable uncertainty quantification, limiting their utility and robustness. In this paper, we introduce VITAE (Variational Inference for Trajectory by AutoEncoder), a statistical approach that integrates a latent hierarchical mixture model with variational autoencoders to infer trajectories. The statistical hierarchical model enhances the interpretability of our framework, while the posterior approximations generated by our variational autoencoder ensure computational efficiency and provide uncertainty quantification of cell projections along trajectories. Specifically, VITAE enables simultaneous trajectory inference and data integration, improving the accuracy of learning a joint trajectory structure in the presence of biological and technical heterogeneity across datasets. We show that VITAE outperforms other state-of-the-art trajectory inference methods on both real and synthetic data under various trajectory topologies. Furthermore, we apply VITAE to jointly analyze three distinct single-cell RNA sequencing datasets of the mouse neocortex, unveiling comprehensive developmental lineages of projection neurons. VITAE effectively reduces batch effects within and across datasets and uncovers finer structures that might be overlooked in individual datasets. Additionally, we showcase VITAE’s efficacy in integrative analyses of multiomic datasets with continuous cell population structures.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
vagabond发布了新的文献求助10
刚刚
aaa完成签到,获得积分10
1秒前
常涑完成签到,获得积分10
1秒前
Oasis发布了新的文献求助10
1秒前
lsy发布了新的文献求助10
1秒前
2秒前
温衡的言希完成签到,获得积分10
4秒前
小石头发布了新的文献求助10
5秒前
寒崽完成签到 ,获得积分10
6秒前
6秒前
不知道完成签到,获得积分10
7秒前
小蘑菇应助000采纳,获得10
8秒前
seamuse应助霸气曼雁采纳,获得10
8秒前
Orange应助amo采纳,获得10
9秒前
聪明凌柏完成签到 ,获得积分10
9秒前
靳顺康完成签到,获得积分10
10秒前
俭朴夜雪完成签到,获得积分10
10秒前
小悬壶完成签到,获得积分10
10秒前
梁小米发布了新的文献求助10
10秒前
轻松的迎蓉完成签到,获得积分20
11秒前
ding应助外向电脑采纳,获得10
11秒前
12秒前
靳顺康发布了新的文献求助10
12秒前
12秒前
李健应助lsy采纳,获得10
13秒前
13秒前
迅速的蜡烛完成签到 ,获得积分10
13秒前
14秒前
WZQ完成签到,获得积分10
14秒前
怕黑钢笔完成签到,获得积分10
15秒前
稳重雁开完成签到,获得积分10
15秒前
15秒前
背后寻真完成签到,获得积分10
16秒前
精明听芹完成签到,获得积分10
16秒前
丸太子发布了新的文献求助10
16秒前
爆米花应助靳顺康采纳,获得10
17秒前
Brian发布了新的文献求助10
17秒前
科研通AI2S应助清脆语海采纳,获得10
18秒前
学术蜗牛发布了新的文献求助10
19秒前
壮观道罡发布了新的文献求助10
19秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 800
Ethnicities: Media, Health, and Coping 700
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3086960
求助须知:如何正确求助?哪些是违规求助? 2739744
关于积分的说明 7555906
捐赠科研通 2389490
什么是DOI,文献DOI怎么找? 1267216
科研通“疑难数据库(出版商)”最低求助积分说明 613651
版权声明 598611