Akademisches Teilen | Der Postdoktorand Li Yuzhe Von Der Tsinghua-Universität Erläutert Den Artikel in Der Fachzeitschrift Cell/Nature Im Detail Und Untersucht Die Anwendung Von KI in Der Genomik
Zur zweiten Folge der Live-Übertragungsreihe „Meet AI4S“ war Li Yuzhe eingeladen, ein Postdoktorand im Labor von Zhang Qiangfeng an der Tsinghua-Universität. Am 21. August wird Dr. Li Yuzhe in Form einer Online-Liveübertragung die KI-Methoden in der räumlichen Transkriptomik und Einzelzell-Omics-Forschung mit allen teilen.
Die räumliche Transkriptomtechnologie ist einer der größten Durchbrüche der letzten Jahre auf dem Gebiet der Bioinformatik.Sie wurde von Nature Method im Jahr 2020 zur Technologie des Jahres gekürt.
Basierend auf der räumlichen Transkriptomtechnologie können wir nicht nur hochauflösende Transkriptomdaten erhalten, sondern diese auch mit Positionsinformationen abgleichen, um die räumliche Verteilung und Positionsbeziehung verschiedener Zellsubtypen oder Transkriptionszustände zu bestimmen.
Durch die kontinuierliche Weiterentwicklung und Iteration der räumlichen Transkriptomik-Technologie können Forscher das Genexpressionsprofil von Zellen mit Einzelzellauflösung erhalten und gleichzeitig die räumlichen Positionsinformationen der Zellen innerhalb des Gewebes beibehalten.Die effektive Nutzung dieser räumlichen Informationen zur Identifizierung räumlicher Zellsubtypen und zur Entdeckung von Gewebemodulen ist zu einer Kernaufgabe der räumlichen Transkriptomdatenanalyse geworden.
In den letzten Jahren hat die KI-Welle den wissenschaftlichen Forschungsbereich erfasst und auch innovative Ideen für die räumliche Transkriptomik und die Einzelzell-Omics-Forschung hervorgebracht.
Zum Beispiel,Die Forschungsgruppe von Associate Professor Qiangfeng Zhang von der School of Life Sciences der Tsinghua-Universität hat einen künstlichen Intelligenzalgorithmus namens SPACE entwickelt, der auf dem Deep-Learning-Framework von Graph-Autoencodern basiert.Die Fähigkeit, räumliche Zelltypen zu identifizieren und Gewebemodule aus räumlichen Transkriptomdaten mit Einzelzellauflösung zu entdecken, kann für groß angelegte räumliche Transkriptomstudien genutzt werden.
In der zweiten Folge der Live-Übertragungsreihe „Meet AI4S“ hatte HyperAI das Glück, Li Yuzhe, den Erstautor des Forschungspapiers und Postdoktoranden im Labor von Zhang Qiangfeng an der Tsinghua-Universität, einladen zu können. Am 21. August wird Dr. Li Yuzhe in Form einer Online-Liveübertragung die KI-Methoden in der räumlichen Transkriptomik und Einzelzell-Omics-Forschung mit allen teilen.
Scannen Sie den QR-Code, um eine Live-Übertragung zu planen:
Überprüfung der Arbeit
HyperAI hat zuvor ein Forschungspapier mit dem Titel „Tissue module discovery in single-cell resolution spatial transcriptomics data via cell-cell interaction-aware cell embedding“ (Entdeckung von Gewebemodulen in räumlichen Transkriptomikdaten mit Einzelzellauflösung durch Zell-Zell-Interaktions-bewusste Zelleinbettung) mit Dr. Li Yuzhe als Erstautor interpretiert und veröffentlicht.
Forschungshighlights
* Entwicklung von SPACE, einem Analysetool für räumliche Transkriptomdaten auf Basis künstlicher Intelligenz, das räumliche Zelltypen identifizieren und Gewebemodule aus räumlichen Transkriptomdaten mit Einzelzellauflösung entdecken kann.
* SPACE übertrifft andere Tools bei der Identifizierung von Zelltypen und der Entdeckung von Gewebemodulen deutlich, insbesondere bei komplexen Geweben, die mehrere Zelltypen enthalten.
* SPACE definiert und entdeckt Zellgemeinschaften, d. h. Gewebemodule, die aus räumlich homogenen Zelltypen mit erkennbaren Grenzen bestehen.
* Zellgemeinschaften werden durch ähnliche Interaktionsnetzwerke zwischen den Zellen definiert, aus denen sie bestehen. Dies kann verwendet werden, um Liganden-Rezeptor-basierte Schlussfolgerungen über die Zellkommunikation zu verfeinern.
* SPACE kann für groß angelegte räumliche Transkriptomstudien verwendet werden, um zu verstehen, wie Interaktionen zwischen räumlich benachbarten Zellen die biologischen Funktionen von Zelltypen und Gewebemodulen beeinflussen.
Datensatzerfassung
Um die Fähigkeiten von SPACE zu überprüfen, wurden in der Studie mehrere Datensätze verwendet. Downloadadresse:
https://hyper.ai/datasets/32698
Modellarchitektur: Ein zellinteraktionsbewusstes, zelleneingebettetes Modell
SPACE verwendet ein Graph-Autoencoder-Framework, um niedrigdimensionale Zelleinbettungen zu erlernen, die die Genexpressionsdaten jeder Zelle in den räumlichen Transkriptomdaten sowie deren Interaktionsdaten mit räumlich benachbarten Zellen beschreiben (daher wird die Zelleinbettung als „Zell-Zell-Interaktions-bewusste Zelleinbettung“ bezeichnet). Basierend auf dieser Zelleinbettung verwendet SPACE dann Clustering-Algorithmen, um räumliche Zellsubtypen zu identifizieren und Gewebemodule zu entdecken.
Aus architektonischer Sicht besteht das SPACE-Modell aus drei Teilen: Encoder (dreischichtiges Graph-Attention-Netzwerk), Nachbargraph-Decoder und Genexpression-Decoder. Die folgende Abbildung zeigt den Gesamtrahmen des Modells:
Leistungsbewertung
* SPACE kann biologisch unterschiedliche Zelltypen anhand räumlicher Informationen in ST-Datensätzen identifizieren.
* SPACE übertrifft derzeit verfügbare Tools bei der Unterscheidung räumlich informativer Zelltypen von ST-Daten.
* SPACE übertrifft modernste Werkzeuge bei der Entdeckung von Gewebemodulen.
Zhang Qiangfeng-Labor der Tsinghua-Universität
Das Labor von Zhang Qiangfeng ist der School of Life Sciences der Tsinghua-Universität angeschlossen. Es ist außerdem ein wichtiger Teil des gemeinsamen Zentrums für Biowissenschaften der Tsinghua-Peking-Universität und des Beijing Advanced Innovation Center for Structural Biology.
Die Forschung des Labors konzentriert sich auf interdisziplinäre Bereiche wie Strukturbiologie, Genomik, maschinelles Lernen und Big Data-Analyse. Die Hauptforschungsrichtung besteht darin, Strukturbiologie und Systembiologie zu kombinieren, rechnergestützte und experimentelle Methoden zu entwickeln und zu nutzen, um die Struktur-Funktionsbeziehungen biologischer Makromoleküle (wie Proteine, RNA, DNA) zu interpretieren, ihre Interaktionsnetzwerke zu rekonstruieren und die Pathogenese und möglichen Behandlungen komplexer Krankheiten (einschließlich Krebs und Infektionskrankheiten) zu entdecken, die mit Veränderungen der Protein- und RNA-Struktur und abnormalen makromolekularen Interaktionen zusammenhängen.
Das Labor verfügt über einzigartige Funktionen zur Modellierung von Protein- und RNA-Strukturen, zur Messung von RNA-Strukturen auf Basis von Next-Generation-Sequenzierung, zur Hochdurchsatztechnologie zur Erkennung von RNA-Protein-Interaktionen sowie über leistungsstarke Computer- und Experimentalplattformen, um die Spitzenforschung der Forscher voranzutreiben.
Lernen Sie die AI4S Live-Serie kennen
HyperAI (hyper.ai) ist Chinas größte Suchmaschine im Bereich Datenwissenschaft. Es konzentriert sich auf die neuesten wissenschaftlichen Forschungsergebnisse von AI for Science und verfolgt wissenschaftliche Arbeiten in Top-Zeitschriften wie Nature und Science in Echtzeit. Bisher wurde die Interpretation von über 100 AI for Science-Artikeln abgeschlossen.
Darüber hinaus betreiben wir auch das einzige Open-Source-Projekt „KI für die Wissenschaft“ in China, awesome-ai4s.
* Projektadresse:
https://github.com/hyperai/awesome-ai4s
Um die Popularisierung von AI4S weiter voranzutreiben, die Verbreitungsbarrieren für wissenschaftliche Forschungsergebnisse akademischer Einrichtungen weiter abzubauen und diese mit einem größeren Kreis von Branchenwissenschaftlern, Technologiebegeisterten und Industrieeinheiten zu teilen, hat HyperAI die Videokolumne „Meet AI4S“ geplant. Darin werden Forscher oder verwandte Einheiten, die sich intensiv mit dem Bereich KI für die Wissenschaft beschäftigen, eingeladen, ihre Forschungsergebnisse und -methoden in Form von Videos zu teilen und gemeinsam die Chancen und Herausforderungen zu diskutieren, denen sich KI für die Wissenschaft im Prozess des Fortschritts sowie der Förderung und Umsetzung wissenschaftlicher Forschung gegenübersieht, um so die Popularisierung und Verbreitung von KI für die Wissenschaft zu fördern.
Wir heißen leistungsfähige Forschungsgruppen und Forschungseinrichtungen herzlich willkommen, an unseren Live-Events teilzunehmen! Scannen Sie den QR-Code, um „Neural Star“ WeChat für Details hinzuzufügen ↓
