详细内容或原文请订阅后点击阅览
使用 APOLLO 破解蜂窝密码
APOLLO 是一种新的人工智能框架，它将跨测量类型的共享生物信号与每种技术特有的信号分开。这可以让我们更清晰地了解细胞状态，预测未测量的特征，更准确地发现疾病生物标志物，并可以加快癌症、阿尔茨海默病等领域的发现。
来源:Qudata使用 APOLLO 破解蜂窝密码
来自麻省理工学院和哈佛大学博德研究所、麻省理工学院 (MIT) 和苏黎世联邦理工学院的研究人员与 Paul Scherrer 研究所 (PSI) 合作，推出了 APOLLO——一种创新的人工智能框架，旨在解释复杂的多层细胞数据。这种方法使科学家能够区分各种测量技术中常见的生物信号与特定测定所特有的生物信号，从而提高疾病研究和实验计划的准确性。
在现代细胞生物学中，多模式策略对于捕获细胞行为的各个方面至关重要。转录组学（用于基因表达）、染色质可及性测定、蛋白质定量和细胞形态成像等技术均揭示了不同的维度。然而，集成这些数据流一直具有挑战性，因为传统的机器学习模型经常将它们融合成单个潜在表示，从而失去对信号起源的追踪。
APOLLO 通过将数据结构化为共享且特定于模态的潜在空间（类似于维恩图）来克服这个问题。重叠的生物信息被编码在一个公共空间中，而专有特征则被隔离在单独的隔间中。这保留了可追溯性并支持精细分析。
APOLLO 的核心采用了重新设计的多模态自动编码器和两阶段优化过程。第一阶段训练解码器从潜在空间重建输入，建立每个模态的稳定特征提取。第二个改进编码器以进行对齐，将共享信号与独特信号分开。经过训练后，APOLLO 会分析未见过的数据集，将信息分类为跨模式或特定模式。
对合成数据集的验证证实了 APOLLO 在恢复预定义信号方面的准确性。在实际应用中，它在配对单细胞数据方面表现出色。