Exploring single-cell data with deep multitasking neural networks.
Exploring single-cell data with deep multitasking neural networks.
复制标题
DOI：
10.1038/s41592-019-0576-7
复制
发表时间：
2019-11
期刊：
影响因子：
48
通讯作者：
Krishnaswamy, Smita
中科院分区：
文献类型：
--
作者：
Amodio, Matthew;van Dijk, David;Srinivasan, Krishnan;Chen, William S.;Mohsen, Hussein;Moon, Kevin R.;Campbell, Allison;Zhao, Yujiao;Wang, Xiaomei;Venkataswamy, Manjunatha;Desai, Anita;Ravi, V.;Kumar, Priti;Montgomery, Ruth;Wolf, Guy;Krishnaswamy, Smita
目前，分析由许多细胞和样本组成的单细胞数据具有挑战性，并且不存在用于解决由批次效应和不同样本制备所产生的变异的工具。为此，我们提出了SAUCIE，这是一种深度神经网络，它将神经网络提供的并行性和可扩展性与可由其学习的数据深度表示相结合，以执行许多单细胞数据分析任务。我们的正则化（惩罚）使得在神经网络隐藏层中学习到的特征具有可解释性。当将大型多患者数据集输入到SAUCIE中时，各个隐藏层包含去噪和批次校正的数据、低维可视化、无监督聚类以及可用于探索数据的其他信息。我们分析了一个由印度登革热患者的T细胞组成的180个样本的数据集，该数据集是通过质谱流式细胞术测量的。SAUCIE能够对这个1100万个细胞的数据集进行批次校正和处理，以识别急性登革热感染的基于聚类的特征，并创建一个患者流形，对登革热的免疫反应进行分层。
It is currently challenging to analyze single cell data comprised of many cells and samples and no tools exist to address variations arising from batch effects and different sample preparations. For this purpose, we present SAUCIE, a deep neural network that combines parallelization and scalability offered by neural networks, with the deep representation of data that can be learned by them to perform many single-cell data analysis tasks. Our regularizations (penalties) render features learned in hidden layers of the neural network interpretable. When large multi-patient datasets are fed into SAUCIE, the various hidden layers contain denoised and batch-corrected data, a low dimensional visualization, unsupervised clustering, as well as other information that can be used to explore the data. We analyze a 180-sample dataset consisting of T cells from dengue patients in India, measured with mass cytometry. SAUCIE can batch correct and process this 11-million cell dataset to identify cluster-based signatures of acute dengue infection and create a patient manifold, stratifying immune response to dengue.
登录
查看更多内容
影响因子：
64.5
作者：
Levine JH;Simonds EF;Bendall SC;Davis KL;Amir el-AD;Tadmor MD;Litvin O;Fienberg HG;Jager A;Zunder ER;Finck R;Gedman AL;Radtke I;Downing JR;Pe'er D;Nolan GP
通讯作者：
Nolan GP
影响因子：
4.6
作者：
Cimini, Eleonora;Castilletti, Concetta;Agrati, Chiara
通讯作者：
Agrati, Chiara
影响因子：
2.4
作者：
Anand, Kartik;Bianconi, Ginestra;Severini, Simone
通讯作者：
Severini, Simone
影响因子：
4.4
作者：
Panda, Alexander;Qian, Feng;Shaw, Albert C.
通讯作者：
Shaw, Albert C.
影响因子：
64.5
作者：
Azizi E;Carr AJ;Plitas G;Cornish AE;Konopacki C;Prabhakaran S;Nainys J;Wu K;Kiseliovas V;Setty M;Choi K;Fromme RM;Dao P;McKenney PT;Wasti RC;Kadaveru K;Mazutis L;Rudensky AY;Pe'er D
通讯作者：
Pe'er D