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 物理 天文 基因 生物化学 人口学 社会学
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
nn发布了新的文献求助10
1秒前
疯狂老登完成签到,获得积分10
1秒前
小李完成签到,获得积分10
3秒前
6秒前
榴下晨光完成签到 ,获得积分10
6秒前
sunglow11完成签到,获得积分0
7秒前
从容的天空完成签到,获得积分20
7秒前
TORCH发布了新的文献求助10
7秒前
脑洞疼应助仁爱发卡采纳,获得10
8秒前
卡卡发布了新的文献求助10
9秒前
小米粥发布了新的文献求助10
9秒前
Yam完成签到,获得积分10
10秒前
kunkun完成签到,获得积分10
11秒前
11秒前
华仔应助qiiq1997采纳,获得10
12秒前
陶安柏完成签到 ,获得积分10
13秒前
13秒前
14秒前
collapsar1完成签到,获得积分10
15秒前
细腻天蓝完成签到,获得积分10
15秒前
程程程完成签到,获得积分10
16秒前
J0A0发布了新的文献求助30
16秒前
Ava应助小小小新采纳,获得10
18秒前
cqr完成签到 ,获得积分10
18秒前
Zachary发布了新的文献求助10
19秒前
zzz完成签到,获得积分10
22秒前
干净的夏天完成签到,获得积分10
22秒前
22秒前
朴素雁凡发布了新的文献求助10
23秒前
研友_ngqjz8完成签到,获得积分10
25秒前
SS完成签到,获得积分0
26秒前
基础题发布了新的文献求助90
26秒前
种花家的狗狗完成签到,获得积分10
30秒前
altair完成签到 ,获得积分10
33秒前
可爱以冬完成签到 ,获得积分10
33秒前
34秒前
FK7完成签到,获得积分10
35秒前
XX完成签到 ,获得积分10
37秒前
joyboysimba发布了新的文献求助10
38秒前
bean完成签到 ,获得积分10
42秒前
高分求助中
Sustainability in Tides Chemistry 2800
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Handbook of Qualitative Cross-Cultural Research Methods 600
Very-high-order BVD Schemes Using β-variable THINC Method 568
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 3137471
求助须知:如何正确求助?哪些是违规求助? 2788496
关于积分的说明 7786856
捐赠科研通 2444725
什么是DOI,文献DOI怎么找? 1300018
科研通“疑难数据库(出版商)”最低求助积分说明 625752
版权声明 601023