[論文レビュー] Celcomen: spatial causal disentanglement for single-cell and tissue perturbation modeling

Stathis Megas, Daniel G. Chen+4 more|arXiv (Cornell University)|Sep 9, 2024

Mathematical Biology Tumor Growth被引用数 5

ひとこと要約

Celcomen は因果フレームワークと生成グラフニューラルネットワークを用いて、空間トランスクリプトミクスにおける細胞内および細胞間遺伝子調節を識別し、単一細胞および組織データのポスト摂動の反事実を生成する。

ABSTRACT

Celcomen leverages a mathematical causality framework to disentangle intra- and inter- cellular gene regulation programs in spatial transcriptomics and single-cell data through a generative graph neural network. It can learn gene-gene interactions, as well as generate post-perturbation counterfactual spatial transcriptomics, thereby offering access to experimentally inaccessible samples. We validated its disentanglement, identifiability, and counterfactual prediction capabilities through simulations and in clinically relevant human glioblastoma, human fetal spleen, and mouse lung cancer samples. Celcomen provides the means to model disease and therapy induced changes allowing for new insights into single-cell spatially resolved tissue responses relevant to human health.

研究の動機と目的

• 空間トランスクリプトミクスと単一細胞データにおいて、細胞内および細胞間の遺伝子調節を分離する必要性を動機付ける。
• 遺伝子調節プログラムを分離するための数理的因果性フレームワークを開発する。
• 遺伝子-遺伝子相互作用を学習し、反事実的なポスト摂動サンプルを生成する生成的グラフニューラルネットワークモデルを提案する。
• シミュレーションと臨床的に関連する組織サンプルを通じて、分離性、識別可能性、および反事実予測を検証する。
• 人間の健康における疾患および治療誘発変化のモデリングへの適用性を示す。

提案手法

• 細胞内および細胞間の調節プログラムを分離する数学的因果性フレームワークを導入する。
• 遺伝子-遺伝子相互作用を学習する生成的グラフニューラルネットワークを採用する。
• 摂動後の反事実的空間トランスクリプトミクスデータの生成を可能にする。
• シミュレーションとヒトの膠芽腫、ヒト胎児脾臓、マウス肺がんサンプルを用いて、分離性・識別可能性・反事実予測を検証する。

実験結果

リサーチクエスチョン

• RQ1 Celcomen は空間トランスクリプトミクスおよび単一細胞データにおいて、細胞内から細胞間の遺伝子調節を正確に分離できるか。
• RQ2 摂動下で学習された因果成分の識別可能性はどうなるか。
• RQ3 モデルは摂動後の反事実的空間トランスクリプトミクスサンプルを信頼性高く生成できるか。
• RQ4 分離された成分は、 glioblastoma、胎児脾臓、マウス肺がんなどの臨床的に関連する文脈で意味のある生物学的洞察を提供できるか。

主な発見

• モデルは遺伝子-遺伝子相互作用を学習し、摂動下での反事実的な空間トランスクリプトミクスを生成する能力を有する。
• 分離性、識別可能性、および反事実予測機能は、シミュレーションとヒト/マウス組織サンプルを用いて検証された。
• 適用デモは、疾患モデル化および空間解像度の組織応答の治療誘発変化のモデル化に潜在的な可能性を示唆する。