Live-Vorschau: Li Yuzhe, Postdoktorand an Der Universität Tsinghua, Erläutert Ausführlich Artikel in Der Fachzeitschrift Cell/Nature Und Untersucht KI-Anwendungen in Der Genomik
Die zweite Folge der Live-Serie „Meet AI4S“ startet am 21. August um 19:00 Uhr! HyperAI fühlt sich geehrt, Li Yuzhe, einen Postdoktoranden im Labor von Zhang Qiangfeng an der Tsinghua-Universität, einzuladen, KI-Methoden in der räumlichen Transkriptomik und Einzelzell-Omics-Forschung mit uns zu teilen.
Die Forschungsergebnisse von Dr. Li Yuzhe als Erstautor „Tissue module discovery in single-cell resolution spatial transcriptomics data via cell-cell interaction-aware cell embedding“ wurden in Cell Systems veröffentlicht.Er wird außerdem die in dieser Studie vorgeschlagene innovative Methode näher vorstellen: den künstlichen Intelligenzalgorithmus SPACE, der auf dem Graph-Autoencoder-Deep-Learning-Framework basiert.
Auch,Dr. Li Yuzhe beteiligte sich an der Erforschung von Algorithmen der künstlichen Intelligenz, die auf dem Variational Autoencoder Deep Learning Framework basieren. SCALEX,Es wurde auch in Nature Communications unter dem Titel „Online-Einzelzelldatenintegration durch Projektion heterogener Datensätze in einen gemeinsamen Zell-Embedding-Raum“ veröffentlicht. Außerdem wird er während der Live-Übertragung die Forschungsideen hinter dieser Errungenschaft mit allen teilen.
Veranstaltungsdetails
Teilen Sie das Thema
Erforschung von KI-Anwendungen in der Genomik: Am Beispiel des Algorithmus zur räumlichen Transkriptom-Datendarstellung SPACE
Einführung
Mit der rasanten Entwicklung der Biowissenschaftsforschung und der Technologie der künstlichen Intelligenz (KI) spielt KI eine immer wichtigere Rolle in der biomedizinischen Forschung und führt zu einem neuen interdisziplinären Forschungsparadigma der „KI für die Wissenschaft“.
In dieser Live-Übertragung geht es um Genomforschung, vor allem um Methoden der künstlichen Intelligenz in der räumlichen Transkriptomik und Einzelzell-Omics-Forschung.
Vorteile für das Publikum
1. Verschaffen Sie sich einen ersten Überblick über den Entwicklungsprozess und die neuesten Fortschritte bei Methoden der künstlichen Intelligenz in der Genomforschung.
2. Verstehen Sie SCALEX, einen auf generativen Modellen basierenden Algorithmus zur Integration von Omics-Daten einzelner Zellen.
3. Verstehen Sie den räumlichen Transkriptomik-Datendarstellungsalgorithmus SPACE, der auf einem Graph-Neuralnetzwerk und dem Konzept der Zellgemeinschaft basiert.
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:
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.