Machine Learning for Uncovering Biological Insights in Spatial Transcriptomics Data

要約

多細胞システムにおける発生と恒常性は、空間分子パターンの形成と維持を精巧に制御する必要があります。
多重免疫蛍光法や空間トランスクリプトミクス (ST) などの空間的に分解された高スループットの分子イメージング手法の進歩は、健康と病気におけるこれらのプロセスの基本的な理解を深める刺激的な新しい機会を提供します。
これらの手法、特に ST から得られる大規模で複雑なデータセットは、主にディープ ラーニング手法に基づく革新的な機械学習 (ML) ツールの急速な開発につながっています。
これらの ML ツールは、複雑な生物学的システムのノイズから信号を解きほぐすために、統合された実験および計算ワークフローでますます注目されています。
ただし、ST の分析ツールの急速に拡大するツールボックスのさまざまな暗黙の仮定と方法論を理解し、バランスを取ることは困難な場合があります。
これに対処するために、ML が対処するのに役立つ主要な ST 分析の目標と、現在の分析の傾向をまとめます。
また、4 つの主要なデータ サイエンスの概念と関連するヒューリスティックについても説明します。これらは、実務家が適切な生物学的疑問に対して適切なツールを選択する際の指針となります。

要約(オリジナル)

Development and homeostasis in multicellular systems both require exquisite control over spatial molecular pattern formation and maintenance. Advances in spatially-resolved and high-throughput molecular imaging methods such as multiplexed immunofluorescence and spatial transcriptomics (ST) provide exciting new opportunities to augment our fundamental understanding of these processes in health and disease. The large and complex datasets resulting from these techniques, particularly ST, have led to rapid development of innovative machine learning (ML) tools primarily based on deep learning techniques. These ML tools are now increasingly featured in integrated experimental and computational workflows to disentangle signals from noise in complex biological systems. However, it can be difficult to understand and balance the different implicit assumptions and methodologies of a rapidly expanding toolbox of analytical tools in ST. To address this, we summarize major ST analysis goals that ML can help address and current analysis trends. We also describe four major data science concepts and related heuristics that can help guide practitioners in their choices of the right tools for the right biological questions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google