МЕТОД И АЛГОРИТМЫ АНАЛИЗА И ОБРАБОТКИ ОДНОКЛЕТОЧНЫХ ОМИКСНЫХ ДАННЫХ НА ОСНОВЕ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ.
Боковая панель статьи
Основное содержимое статьи
Аннотация
В статье рассматриваются современные подходы к анализу и обработке одноклеточных омиксных данных с применением методов глубокого обучения. Особое внимание уделяется архитектурам нейронных сетей, используемым для извлечения скрытых биологических закономерностей, снижению размерности, кластеризации, интеграции многомодальных данных и реконструкции клеточных траекторий. Обсуждаются преимущества нейросетевых методов по сравнению с классическими статистическими подходами, а также существующие ограничения и перспективы развития.
Информация о статье
Раздел
Библиографические ссылки
1. Lopez R., Regier J., Cole M.B., Jordan M.I., Yosef N. Deep generative modeling for single-cell transcriptomics // Nature Methods. 2018.
2. Eraslan G., Simon L.M., Mircea M., Mueller N.S., Theis F.J. Single-cell RNA-seq denoising using a deep count autoencoder // Nature Communications. 2019.
3. Kingma D.P., Welling M. Auto-Encoding Variational Bayes // arXiv preprint arXiv:1312.6114. 2013.
4. Goodfellow I. et al. Generative Adversarial Nets // Advances in Neural Information Processing Systems. 2014.
5. Kipf T.N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks // ICLR. 2017.
6. Vaswani A. et al. Attention Is All You Need // NeurIPS. 2017.
7. Stuart T., Satija R. Integrative single-cell analysis // Nature Reviews Genetics. 2019.
8. Luecken M.D., Theis F.J. Current best practices in single-cell RNA-seq analysis // Molecular Systems Biology. 2019.
9. Lotfollahi M., Naghipourfar M., Luecken M.D., Theis F.J. Mapping single-cell data to reference atlases by transfer learning // Nature Biotechnology. 2022.
10. Cao J., Spielmann M., Qiu X. et al. The single-cell transcriptional landscape of mammalian organogenesis // Nature. 2019.