Disentangling Perturbation Effects in Single-Cell Transcriptomics
Understanding how cells respond to perturbations is critical for drug development and drug repurposing. However, transferring learned perturbation effects to cell lines not represented in the training set remains a major challenge. In this work, we present an interpretable deep learning architecture to estimate perturbation effects as well as to predict single-cell transcriptomic responses to perturbations in the out-of-sample cell lines. Our proposed method disentangles perturbation effects from cellular and batch effects, enabling reliable transfer of perturbation responses to out-of-sample datasets. We demonstrate robustness and effectiveness of our proposed method using real perturbed mouse brain scRNA-seq data.
Démêler les effets de perturbation dans la transcriptomique unicellulaire
Comprendre comment les cellules réagissent aux perturbations est essentiel pour le développement et le repositionnement de médicaments existants. Cependant, le transfert des effets de perturbation appris à des lignées cellulaires non représentées dans l'ensemble d'apprentissage reste un défi majeur. Dans ce travail, nous présentons une architecture d'apprentissage profond interprétable permettant d'estimer les effets de perturbation et de prédire les réponses transcriptomiques unicellulaires aux perturbations dans les lignées cellulaires hors échantillon. La méthode que nous proposons permet de dissocier les effets de perturbation des effets cellulaires et des effets de lot, ce qui permet un transfert fiable des réponses aux perturbations vers des ensembles de données hors échantillon. Nous démontrons la robustesse et l'efficacité de la méthode proposée à l'aide de données réelles issues du séquençage d'ARN unicellulaire (scRNA-seq) d'un cerveau de souris perturbé.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English