[論文レビュー] Deep Learning in Single-Cell and Spatial Transcriptomics Data Analysis: Advances and Challenges from a Data Science Perspective

Shuang Ge, Shuqing Sun+3 more|arXiv (Cornell University)|Dec 4, 2024

Single-cell and spatial transcriptomicsBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

この論文は、単一細胞および空間的転写プロファイルにおける深層学習（DL）の応用をレビューし、データの疎らさ、多様性、希少性、相関性の4つの主要なデータサイエンス的課題に言及している。9つのベンチマークから得られた21のキュレート済みデータセットを用い、58の手法を評価しており、高次元でノイズが多く、マルチモーダルなデータを扱う際のDLの利点を強調するとともに、AI手法、ベンチマーク、臨床応用分野における今後の方向性を提起している。

ABSTRACT

The development of single-cell and spatial transcriptomics has revolutionized our capacity to investigate cellular properties, functions, and interactions in both cellular and spatial contexts. However, the analysis of single-cell and spatial omics data remains challenging. First, single-cell sequencing data are high-dimensional and sparse, often contaminated by noise and uncertainty, obscuring the underlying biological signals. Second, these data often encompass multiple modalities, including gene expression, epigenetic modifications, and spatial locations. Integrating these diverse data modalities is crucial for enhancing prediction accuracy and biological interpretability. Third, while the scale of single-cell sequencing has expanded to millions of cells, high-quality annotated datasets are still limited. Fourth, the complex correlations of biological tissues make it difficult to accurately reconstruct cellular states and spatial contexts. Traditional feature engineering-based analysis methods struggle to deal with the various challenges presented by intricate biological networks. Deep learning has emerged as a powerful tool capable of handling high-dimensional complex data and automatically identifying meaningful patterns, offering significant promise in addressing these challenges. This review systematically analyzes these challenges and discusses related deep learning approaches. Moreover, we have curated 21 datasets from 9 benchmarks, encompassing 58 computational methods, and evaluated their performance on the respective modeling tasks. Finally, we highlight three areas for future development from a technical, dataset, and application perspective. This work will serve as a valuable resource for understanding how deep learning can be effectively utilized in single-cell and spatial transcriptomics analyses, while inspiring novel approaches to address emerging challenges.

研究の動機と目的

• 単一細胞および空間的転写プロファイルにおける4つの主要なデータサイエンス的課題（疎らさ、多様性、希少性、相関性）を体系的に分析すること。
• イムピューション、クラスタリング、マルチオミクス統合などのタスクにおいて、9つのベンチマークから得られた21のデータセットを用い、58の計算手法の性能を評価すること。
• 高次元でノイズが多く、複雑な生物学的データに対して、深層学習アプローチと従来の機械学習手法の精度、解釈可能性、耐性の観点での比較を行うこと。
• 現在のベンチマークにおける制限要因、すなわち評価指標やデータセットの代表性の欠如を特定し、生物学的に解釈可能で、公平かつ耐性のあるベンチマークの構築を提言すること。
• 単一細胞および空間的オミクス分野における深層学習の今後の研究分野としてのAI手法、データセット開発、および実臨床応用分野の方向性を提示すること。

提案手法

• 著者らは、イムピューション、細胞型識別、クラスタリング、遺伝子調節ネットワークの推定、マルチオミクス統合などのタスクをカバーする9つの確立されたベンチマークから21のデータセットをキュレートした。
• 自己符号化器、変分自己符号化器、グラフニューラルネットワーク、敵対的生成ネットワーク、畳み込みニューラルネットワークを含む、深層学習モデルを含む58の計算手法を評価した。
• 標準的な指標（精度、AUC、RMSE）を用いて性能を評価し、in vitroでの実験的検証やシミュレーションベースのベンチマークを通じて生物学的妥当性に重点を置いた。
• DLモデルの数学的基盤を統合的に解説し、従来の機械学習手法と比較した。また、複雑な生物学的依存関係や時空間的相関をモデル化する能力について議論した。
• 解釈可能性を向上させるために、DLモデルを生物学的知識と結びつける解釈可能なパラメトリックルールの導入を提言した。
• 一般化性と未知または不確実なデータに対する耐性を高めるために、動的で継続的に更新されるモデルと、シミュレーションベースのデータ生成手法の導入を提唱した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、高次元で疎らでノイズの多い単一細胞および空間的転写プロファイルデータを、従来の機械学習手法よりもどのように効果的に処理できるか？
• RQ2 現在のベンチマークデータセットおよび評価指標は、計算手法の真の性能と一般化能力を反映しているか、その主な限界は何か？
• RQ3 マルチモーダルおよびマルチソースのデータ統合は、深層学習を用いてどのように効果的に実現できるか？ これにより生物学的解釈性と予測精度がどのように向上するか？
• RQ4 単一細胞および空間的オミクス分野における深層学習フレームワークで、時空間的依存関係をモデル化し、事前生物学的知識を統合する主な課題は何か？
• RQ5 単一細胞および空間的転写プロファイル分野の前進に向け、AI手法、データセットキュレート、臨床応用分野における今後の研究分野で最も重要な方向性は何か？

主な発見

• 自己符号化器、グラフニューラルネットワーク、生成モデルを含む深層学習モデルは、従来の手法と比較して、高次元で疎らでノイズの多い単一細胞および空間的転写プロファイルデータの処理において優れた性能を示した。
• 本レビューでは、現在のベンチマークが生物学的妥当性に欠け、多様なシークエンシングプラットフォームや継続的な空間的・時間的設定によって生じる異質性を反映していないことが判明した。
• 精度、AUC、RMSEといった評価指標は広く用いられているが、不十分である。モデル予測の有意性を確認するには、in vitroでの実験的検証が不可欠である。
• シミュレーションベースのデータ生成は、多様でラベル付きのベンチマークデータセットを生成する有望なアプローチであり、モデルの評価と一般化能力の向上に寄与する。
• 標準的な性能スコアを超えて、現実世界の適用性を反映するFairで、耐性があり、生物学的に解釈可能な評価指標の開発が、極めて重要である。
• 今後の研究では、動的で継続的に更新される深層学習モデル、事前生物学的知識の統合、臨床および精密医療応用分野へのDL手法の翻訳を優先すべきである。