The Trifecta of Single-Cell, Systems-Biology, and Machine-Learning Approaches.
The Trifecta of Single-Cell, Systems-Biology, and Machine-Learning Approaches.
复制标题
作者：
Weiskittel TM;Correia C;Yu GT;Ung CY;Kaufmann SH;Billadeau DD;Li H
单细胞技术和系统生物学一起被用来以无与伦比的细节研究生物医学中以前无法回答的问题。尽管取得了这些进展，但分析能力方面的差距依然存在。机器学习已经彻底改变了生物医学成像分析，药物发现和系统生物学，是填补单细胞研究中这些空白的理想策略。此外，机器学习已被证明与单细胞数据具有显着的协同作用，因为它在利用单细胞数据的积极方面的同时解决了独特的挑战。在这篇综述中，我们描述了系统生物学算法如何将机器学习与生物组件分层，以提供单细胞组学数据的系统级分析，从而阐明复杂的生物学机制。因此，我们强调了单细胞，系统生物学和机器学习方法的三重效应，并说明了这三重效应如何对科学研究的五个关键领域做出重大贡献：细胞轨迹和身份，个性化医学，药理学，空间组学和多组学。鉴于其迄今为止的成功，系统生物学、单细胞组学和机器学习三重组合已被证明是一个有力的组合，将进一步推动生物医学研究。
Together, single-cell technologies and systems biology have been used to investigate previously unanswerable questions in biomedicine with unparalleled detail. Despite these advances, gaps in analytical capacity remain. Machine learning, which has revolutionized biomedical imaging analysis, drug discovery, and systems biology, is an ideal strategy to fill these gaps in single-cell studies. Machine learning additionally has proven to be remarkably synergistic with single-cell data because it remedies unique challenges while capitalizing on the positive aspects of single-cell data. In this review, we describe how systems-biology algorithms have layered machine learning with biological components to provide systems level analyses of single-cell omics data, thus elucidating complex biological mechanisms. Accordingly, we highlight the trifecta of single-cell, systems-biology, and machine-learning approaches and illustrate how this trifecta can significantly contribute to five key areas of scientific research: cell trajectory and identity, individualized medicine, pharmacology, spatial omics, and multi-omics. Given its success to date, the systems-biology, single-cell omics, and machine-learning trifecta has proven to be a potent combination that will further advance biomedical research.
登录
查看更多内容
影响因子：
8.6
作者：
Gautam, Prson;Jaiswal, Alok;Wennerberg, Krister
通讯作者：
Wennerberg, Krister
影响因子：
46.9
作者：
Poplin, Ryan;Chang, Pi-Chuan;DePristo, Mark A.
通讯作者：
DePristo, Mark A.
影响因子：
4.4
作者：
Ma, Tianle;Zhang, Aidong
通讯作者：
Zhang, Aidong
影响因子：
12.8
作者：
Lee J;Hyeon DY;Hwang D
通讯作者：
Hwang D
基于配体-受体介导的自组装的单细胞RNA测序数据重建细胞空间组织
影响因子：
44.1
作者：
Ren X;Zhong G;Zhang Q;Zhang L;Sun Y;Zhang Z
通讯作者：
Zhang Z