Masked adversarial neural network for cell type deconvolution in spatial transcriptomics

要約

疾患関連組織内の細胞タイプの組成を正確に決定することは、疾患の標的を特定するために重要です。
既存の空間トランスクリプトミクス (ST) 技術のほとんどは単一細胞の分解能を達成できないため、細胞の種類を正確に決定することが困難になっています。
この問題に対処するために、さまざまなデコンボリューション手法が開発されています。
これらの方法のほとんどは、同じ組織からの単一細胞 RNA シーケンス (scRNA-seq) データを参照として使用し、ST データ スポット内の細胞タイプを推測します。
ただし、scRNA-seq データと ST データの違いは見落とされることがよくあります。
この制限を克服するために、マスクされた敵対的ニューラル ネットワーク (MACD) を提案します。
MACD は、敵対的学習を使用して、実際の ST データと scRNA-seq データから生成されたシミュレートされた ST データを位置合わせします。
これらを統一された潜在空間にマッピングすることで、2 種類のデータ間の差異を最小限に抑えることができます。
さらに、MACD はマスキング技術を使用して実際の ST データの特徴を効果的に学習し、ノイズを軽減します。
32 のシミュレートされたデータセットと 2 つの実際のデータセットで MACD を評価し、セルタイプのデコンボリューションの実行における MACD の精度を実証しました。
このペーパーで使用されているすべてのコードと公開データセットは、https://github.com/wenwenmin/MACD および https://zenodo.org/records/12804822 で入手できます。

要約(オリジナル)

Accurately determining cell type composition in disease-relevant tissues is crucial for identifying disease targets. Most existing spatial transcriptomics (ST) technologies cannot achieve single-cell resolution, making it challenging to accurately determine cell types. To address this issue, various deconvolution methods have been developed. Most of these methods use single-cell RNA sequencing (scRNA-seq) data from the same tissue as a reference to infer cell types in ST data spots. However, they often overlook the differences between scRNA-seq and ST data. To overcome this limitation, we propose a Masked Adversarial Neural Network (MACD). MACD employs adversarial learning to align real ST data with simulated ST data generated from scRNA-seq data. By mapping them into a unified latent space, it can minimize the differences between the two types of data. Additionally, MACD uses masking techniques to effectively learn the features of real ST data and mitigate noise. We evaluated MACD on 32 simulated datasets and 2 real datasets, demonstrating its accuracy in performing cell type deconvolution. All code and public datasets used in this paper are available at https://github.com/wenwenmin/MACD and https://zenodo.org/records/12804822.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google