ترجمه فارسی مقاله شبکه عصبی خصمانه نقابدار برای دکانولوشن نوع سلول در رونوشت‌برداری فضایی

چکیده

Accurately determining cell type composition in disease-relevant tissues is crucial for identifying disease targets. Most existing spatial transcriptomics (ST) technologies cannot achieve single-cell resolution, making it challenging to accurately determine cell types. To address this issue, various deconvolution methods have been developed. Most of these methods use single-cell RNA sequencing (scRNA-seq) data from the same tissue as a reference to infer cell types in ST data spots. However, they often overlook the differences between scRNA-seq and ST data. To overcome this limitation, we propose a Masked Adversarial Neural Network (MACD). MACD employs adversarial learning to align real ST data with simulated ST data generated from scRNA-seq data. By mapping them into a unified latent space, it can minimize the differences between the two types of data. Additionally, MACD uses masking techniques to effectively learn the features of real ST data and mitigate noise. We evaluated MACD on 32 simulated datasets and 2 real datasets, demonstrating its accuracy in performing cell type deconvolution. All code and public datasets used in this paper are available at https://github.com/wenwenmin/MACD and https://zenodo.org/records/12804822.

چکیده به فارسی (ترجمه ماشینی)

تعیین دقیق ترکیب نوع سلول در بافتهای مرتبط با بیماری برای شناسایی اهداف بیماری بسیار مهم است.اکثر فن آوری های موجود رونویسی فضایی (ST) نمی توانند به وضوح تک سلولی دست یابند و تعیین دقیق انواع سلول را به چالش می کشد.برای پرداختن به این مسئله ، روشهای مختلف تجزیه و تحلیل ایجاد شده است.بیشتر این روشها از داده های توالی RNA تک سلولی (SCRNA-SEQ) از همان بافت به عنوان مرجع به انواع سلول های استنباط در نقاط داده ST استفاده می کنند.با این حال ، آنها اغلب از تفاوت بین داده های SCRNA-Seq و ST غافل می شوند.برای غلبه بر این محدودیت ، ما یک شبکه عصبی مخالف ماسک (MACD) پیشنهاد می کنیم.MACD از یادگیری مخالف برای تراز کردن داده های ST واقعی با داده های شبیه سازی شده ST تولید شده از داده های SCRNA-SEQ استفاده می کند.با نقشه برداری آنها به یک فضای نهفته یکپارچه ، می تواند تفاوت بین دو نوع داده را به حداقل برساند.علاوه بر این ، MACD از تکنیک های ماسک برای یادگیری مؤثر ویژگی های داده های واقعی ST و کاهش نویز استفاده می کند.ما MACD را در 32 مجموعه داده شبیه سازی شده و 2 مجموعه داده واقعی ارزیابی کردیم ، و صحت آن را در انجام تجزیه و تحلیل نوع سلول نشان داد.کلیه کد و مجموعه داده های عمومی مورد استفاده در این مقاله در https://github.com/wenwenmin/macd و https://zenodo.org/records/12804822 در دسترس است.