Multi-domain translation between single-cell imaging and sequencing data using autoencoders.
Multi-domain translation between single-cell imaging and sequencing data using autoencoders.
复制标题
DOI：
10.1038/s41467-020-20249-2
复制
发表时间：
2021-01-04
影响因子：
16.6
通讯作者：
Uhler C
中科院分区：
文献类型：
--
作者：
Yang KD;Belyaeva A;Venkatachalapathy S;Damodaran K;Katcoff A;Radhakrishnan A;Shivashankar GV;Uhler C
用于捕获不同数据模式的单细胞方法的发展，包括成像和测序，已经彻底改变了我们识别不同细胞状态的能力。不同的数据模式提供了对细胞群体的不同视角，它们的整合对于研究细胞异质性及其功能至关重要。虽然已经提出了各种方法来整合不同的测序数据模式，但成像和测序的耦合一直是一个开放的挑战。在这里，我们提出了一种方法，通过学习不同数据模式之间的概率耦合，使用自动编码器映射到共享的潜在空间，来集成非常不同的模式。我们通过整合单细胞RNA-seq和染色质图像来验证这一方法，以识别准备激活的人类原始CD4+T细胞的不同亚群。总的来说，我们的方法提供了一个框架，可以在生物医学发现中的不同应用中，在同一个细胞内测量尚未测量的数据模式之间进行集成和转换。单细胞数据模式的集成增加了关于细胞状态异质性的信息的丰富性，但成像和转录学的集成是一个开放的挑战。在这里，作者使用自动编码器来学习概率耦合，并将这些模式映射到共享的潜在空间。
The development of single-cell methods for capturing different data modalities including imaging and sequencing has revolutionized our ability to identify heterogeneous cell states. Different data modalities provide different perspectives on a population of cells, and their integration is critical for studying cellular heterogeneity and its function. While various methods have been proposed to integrate different sequencing data modalities, coupling imaging and sequencing has been an open challenge. We here present an approach for integrating vastly different modalities by learning a probabilistic coupling between the different data modalities using autoencoders to map to a shared latent space. We validate this approach by integrating single-cell RNA-seq and chromatin images to identify distinct subpopulations of human naive CD4+ T-cells that are poised for activation. Collectively, our approach provides a framework to integrate and translate between data modalities that cannot yet be measured within the same cell for diverse applications in biomedical discovery. Integration of single cell data modalities increases the richness of information about the heterogeneity of cell states, but integration of imaging and transcriptomics is an open challenge. Here the authors use autoencoders to learn a probabilistic coupling and map these modalities to a shared latent space.
登录
查看更多内容
影响因子：
14.9
作者：
Reimand J;Arak T;Adler P;Kolberg L;Reisberg S;Peterson H;Vilo J
通讯作者：
Vilo J
影响因子：
48
作者：
Ramani V;Deng X;Qiu R;Gunderson KL;Steemers FJ;Disteche CM;Noble WS;Duan Z;Shendure J
通讯作者：
Shendure J
影响因子：
48
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
通讯作者：
Krishnaswamy, Smita
单细胞染色质可及性揭示了调节变化的原理。
影响因子：
64.8
作者：
Buenrostro JD;Wu B;Litzenburger UM;Ruff D;Gonzales ML;Snyder MP;Chang HY;Greenleaf WJ
通讯作者：
Greenleaf WJ
DOI：
10.1126/science.aau0730
发表时间：
2018-09-28
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Cao J;Cusanovich DA;Ramani V;Aghamirzaie D;Pliner HA;Hill AJ;Daza RM;McFaline-Figueroa JL;Packer JS;Christiansen L;Steemers FJ;Adey AC;Trapnell C;Shendure J
通讯作者：
Shendure J