ゲノミクスのための AI | 空間トランスクリプトームデータ特性評価アルゴリズムである SPACE は、ゲノミクスにおける人工知能アプリケーションです。

「Meet AI4S」ライブ放送シリーズの第2回では、清華大学生命科学学院の張強鋒博士研究室のポスドク研究員、李玉哲博士をお招きしました。李博士研究室は、清華大学・北京大学生命科学共同センターおよび北京市構造生物学先端イノベーションセンターに所属しています。同研究室の研究は、生命科学と人工知能アルゴリズムの融合、RNA構造解析技術とアルゴリズム開発、単一細胞ゲノムシーケンシング技術とアルゴリズム開発、クライオ電子顕微鏡データに基づくタンパク質構造モデリング、そして関連する人工知能アルゴリズムの開発に重点を置いています。
このプレゼンテーションでは、 Li Yuzhe博士が「ゲノミクスにおけるAIアプリケーションの探究：SPACE空間トランスクリプトミクスデータ特性評価アルゴリズムを例に」と題したチームの最新の研究成果を共有し、空間トランスクリプトミクスと単一細胞オミクス研究におけるAI手法を紹介しました。

HyperAI は、Li Yuzhe 博士の詳細なプレゼンテーションを、元の意味を変えることなく編集し、要約しました。

科学のための AI は、科学分野の研究パラダイムに大きな変化をもたらしています。

本日は、AIと科学の融合について私の考えをお話ししたいと思います。AIと科学の融合は、科学分野全体の研究パラダイムに大きな変化をもたらしたと私は考えています。タンパク質構造の研究を例に挙げ、この点を詳しく説明したいと思います。

タンパク質構造研究の第一世代のパラダイムは、主に実験的手法、すなわち、X 線を使用してタンパク質によって形成された結晶を撮影し、構造モデリングを実行する方法に依存していました。

タンパク質構造研究における第二世代のパラダイムでは、主に物理学者が理論的知識をタンパク質構造研究に取り入れます。例えば、タンパク質が低いエネルギーレベルで折り畳まれる場合、その折り畳みは比較的安定しています。

タンパク質構造研究における第三世代パラダイムとは、1990年代にコンピューターシミュレーションをタンパク質構造研究に応用したことを指します。コンピューター技術の発展、特に近年広く利用されている分子動力学シミュレーションは、これらのシミュレーション手法によってタンパク質構造の計算と予測精度が向上しました。近年、特に2020年には、人工知能アルゴリズムがタンパク質構造研究分野に参入したことで、大きな飛躍がもたらされました。2020年のタンパク質構造予測コンペティションでは、AlphaFold 2が他の競合手法を大きく上回る成績を収めました。

人工知能（AI）の導入は、生命科学と科学研究分野全体に大きなパラダイムシフトをもたらしました。従来の研究手法と比較して、 AIはデータ駆動型の科学研究をより重視しています。これは、事前に科学的仮説を提示する必要がなくなり、データから直接学習し、自然法則を解明できることを意味します。

ゲノミクスAIの開発史

以下のプレゼンテーションでは、ゲノミクス分野におけるAIの応用に焦点を当てます。簡単に言うと、ゲノミクス研究は主に遺伝子型（体全体のDNA）と表現型（身長や体重などの個人特性）の関係を探求します。

よく知られているように、DNAは細胞内で裸の状態ではなく、ヌクレオソームに巻き付いています。ヌクレオソームは多くのヒストン修飾を受けて結合しています。通常、このDNAはしっかりと巻き付いていますが、特定の条件下でのみDNAが露出し、開放領域が形成されます。この露出したDNA領域には、転写因子などのタンパク質が結合することができます。

その後の転写プロセスでは、RNAはRNAポリメラーゼによって転写され、リボソームによってタンパク質へと翻訳されます。これらのタンパク質は最終的に生命活動において機能を発揮します。ゲノミクス研究の目標は、様々なDNA要素が生命活動にどのように影響するかを理解することです。

1950年代のDNA二重らせん構造の発見から近年のAI for Scienceの発展に至るまで、AI for Scienceにおける主要な出来事と発展を概説します。その起源は、1950年代のDNA二重らせん構造の発見と、1970年代のサンガーシーケンシング技術の開発にまで遡ることができます。

下の図に示すように、青い部分はさまざまなシーケンシング技術と実験手法の開発を表し、緑の部分は人工知能分野の重要な方法を表し、黄色の部分はいくつかの重要な大規模研究プロジェクトとデータベースの構築を表し、赤い部分はゲノミクスのための AI 分野の代表的な方法とアプリケーションを表しています。

ご覧の通り、 2001年にはヒトゲノム計画の初期草案が完了し、白人男性のDNA配列全体が解読されました。 2012年には、 AlexNetが画像分類タスクで初めて人間のパフォーマンスを上回り、人工知能分野における10年にわたる爆発的な発展のきっかけとなりました。 2016年にはヒト細胞アトラス計画が提唱され、研究対象は個々のDNA配列から全細胞へと徐々に移行していきました。同年、強化学習に基づくAlphaGoが囲碁で人間に勝利しました。

ゲノミクス向け AI または科学向け AI の分野における大きな進歩は、2020 年の CASP 14 で AlphaFold 2 が圧倒的な 1 位を獲得したことであり、これによりゲノミクス分野に適用される人工知能手法の数が増加しました。

シングルセルゲノミクスは、近年のゲノミクスにおける大きな飛躍的進歩です。従来のゲノミクス研究では、通常、バルクシーケンシングが用いられます。図中の各線は細胞の種類を表し、異なる色の線は異なる細胞の種類を表します。従来のシーケンシング手法では、組織サンプル全体をシーケンシングする必要があり、各DNA鎖またはRNA鎖がどの細胞に由来するかを特定することが困難でした。シングルセル技術の登場により、組織内のすべてのDNAまたはRNAを取得できるだけでなく、そのDNAまたはRNAの起源となる細胞を特定することが可能になりました。細胞の種類によって発現する遺伝子や機能が異なるため、この技術は生命プロセスへの理解をさらに深めます。

過去5年間で、空間トランスクリプトミクスに代表される空間オミクス技術は、単一細胞オミクスの域を超えて進歩し、各細胞種に関する情報の取得だけでなく、それらの空間分布の解明も可能になりました。細胞間相互作用は細胞の機能にとって重要な基盤であるため、さらなる研究は細胞がどのように繋がるかに焦点を当てています。

ヒトゲノムプロジェクトの開始以来、2016年にヒト細胞マッピングプロジェクトが提案されるまで、生命活動をより深く理解し、特定の病気の治療と診断をサポートするために、すべてのヒト細胞の参照アトラスのマッピングを完了することが目標でした。

研究チームは、単一細胞ゲノミクス研究のために、SCALE、SCALEX、SPACE という 3 つの手法を開発しました。

私たちの研究室では、一連の人工知能手法を開発しており、シングルセルゲノミクスには、まず細胞の記述、次に細胞の推論という 2 つの主なステップが必要であると考えています。

私たちは細胞を記述する3つの研究論文を発表しました。SCALE、SCALEX、そしてSPACEです。SCALEは主に可視化とクラスタリングに焦点を当て、SCALEXはデータの統合と投影に焦点を当て、SPACEは空間的なトランスクリプトームデータ組織全体の微小環境を記述します。本日は主にSCALEXとSPACEの手法について紹介します。

バッチ効果を排除するSCALEX法

SCALEX法は、ゲノミクス研究において極めて重要な問題であるバッチ効果を排除することを目的としています。バッチ効果とは、実験条件やその他の技術的要因の違いにより、異なる実験バッチ間で結果に生じる差異を指します。

下図に示すように、生物学的に複製された2つの細胞群を培養した場合でも、理論的にはこれら2つの細胞群をシーケンスすると非常に類似した遺伝子発現が得られるはずです。しかし、培養環境、ライブラリー調製時間、シーケンスプラットフォームの違いといった技術的な理由により、最終的な遺伝子発現プロファイルは大きく異なる可能性があり、大きな技術的ノイズが生じる可能性があります。そのため、データ解析においては、このバッチ効果を除去する必要があります。

生物学研究では、データは一度に収集されるのではなく、複数の実験を通して徐々に蓄積されることが多いです。そのため、バッチ効果を排除し、データを統合・解析して真に生物学的に関連する因子を特定することは、ゲノミクス研究や単一細胞ゲノミクス研究において重要なステップです。

これを基に、処理済みの単一細胞データを一般化された細胞潜在空間に投影するSCALEX法を開発しました。SCALEXフレームワークは変分オートエンコーダ（VAE）に基づいています。

最初の入力は単一細胞のトランスクリプトームデータであり、これはバッチフリーエンコーダーを使用して一般化された細胞潜在空間に投影されます。

次に、バッチ固有のデコーダーがドメイン固有のバッチ正規化を通じてモデルにバッチ情報を追加します。この非対称設計は、理論的にはバッチ関連の技術的ノイズが一切ない、バッチに依存しない潜在空間を生成します。デコーダーは遺伝子発現データを再構成し、元の入力遺伝子発現プロファイルに対する損失を計算します。この損失はKLダイバージェンスと組み合わせられ、自己教師ありモデルであるSCALEXモデルの損失関数を形成します。

この非対称エンコーダーとデコーダーの設計には、主に 2 つの利点があります。まず、結果として得られるエンコーダーは汎用的であるため、モデルを再トレーニングしたり、新しいデータを既存のデータに再統合したりすることなく、エンコーダーを介したバッチ情報なしで新しいデータをセルラー潜在空間に直接投影できます。

第二に、SCALEXはよりグローバルなバッチ効果に焦点を当てています。従来のバッチ効果除去手法では、主に2つのデータバッチ内で類似したセルペアを見つけ、それらをペアリングして補正することでバッチ効果を除去していました。この手法は本質的に比較的局所的なバッチ効果補正です。

しかし、この手法には問題があります。実際のデータ解析では、異なる2つのバッチ内の細胞の種類が完全に同一ではない場合があります。共通する細胞の種類はごくわずかで、残りはバッチ固有のものである可能性があります。細胞ペアリングを強制的に行うと、適切なペアリング細胞が見つからないため、本来は一致すべきでない細胞の種類が強制的に一致してしまうという過剰な補正が発生する可能性があります。

この点に関して、SCALEX の 2 つの大きな利点について、さらに詳しく説明します。

まず、5 つのテストデータセットで SCALEX をベンチマークしたところ、精度の点で SCALEX が既存の方法よりも優れていることが示されました。

下図に示すように、バッチプロットは生データと未補正データを表しています。青とオレンジはそれぞれ2つのデータバッチを表し、細胞タイプは細胞の種類を表しています。これら2つのバッチには類似した細胞タイプが含まれているにもかかわらず、バッチ効果が大きすぎるため、同じ種類の細胞が凝集できないことがわかります。これにより、技術的要因が生物学的要因を覆い隠し、その後の生物学的研究が不可能になります。

SCALEX を使用して統合した後、2 つのバッチの細胞はうまく凝集し、細胞の種類に応じて明確に分離され、実際のアプリケーションにおける SCALEX の重要性が実証されました。

SCALEX の重要な利点の一つは、同じ細胞種を複数含む2つのデータバッチを処理できることです。このようなデータを「部分重複データセット」と呼びます。下の図に示すように、重複度が0の場合、2つのバッチの細胞種は完全に異なることを示し、重複度が4の場合、2つのバッチに4つの細胞種が共通していることを示します。

結果は、2つの細胞群に同一の細胞型が存在しない場合でも、SCALEXは生物学的差異を非常に良好に維持できることを示しました。言い換えれば、SCALEXは異なる細胞型の細胞を無理やり統合するのではありません。一方、他の類似手法では細胞ペアの検出に依存し、過剰な補正につながる可能性があります。
SCALEXのもう一つの利点は、汎用エンコーダがモデルの再学習なしに、既存のバッチ効果フリーの細胞潜在空間に新しいデータを直接投影できることです。下図に示すように、まず膵臓データセットを用いて参照細胞アトラスを学習し、次に学習済みのエンコーダを通して3つの新しいデータポイントを細胞潜在空間に直接投影します。図中の色は細胞の種類を表し、灰色の点は構築された参照細胞の種類を表しています。図中のそれぞれの位置において、異なる細胞の種類が明確に分離されていることがわかります。

SCALEXは、特定の位置の周囲の参照細胞のマーカーを新しいデータセルに投影することで、細胞タイプの自動アノテーションにおいて優れた性能を発揮します。他の既存の手法と比較して、SCALEXは非常に重要な用途を有しています。それは、新しいデータを既存のデータセットに直接投影することで、データセット間の比較分析を支援することです。

さらに、SCALEXは大規模データセットの処理においても非常に優れたパフォーマンスを発揮します。下図は、SCALEXが400万個の細胞を数十分以内で処理し、メモリ消費量は100GB未満であることを示しています。これは、SCALEXの優れたスケーラビリティを示しており、超大規模単一細胞データセットの統合解析にも活用できます。

SCALEX の機能を活用して、2 つの大規模な細胞アトラスを構築しました。1 つは 400,000 個を超える細胞を含むヒト個人用、もう 1 つは 860,000 個を超える細胞と 100 個を超えるサンプルを含む COVID-19 PBMC 用です。

SPACE、空間トランスクリプトームデータのための人工知能解析ツール

次に、私たちのチームが最近公開した空間トランスクリプトーム解析ツール SPACE を紹介します。

簡単に言えば、空間トランスクリプトミクスは細胞遺伝子発現とその特定の空間位置に関する情報を提供します。下の図は、典型的な空間トランスクリプトミクスの結果を示しています。左の図では、各点は細胞を表し、色は細胞の種類を示しています。これらの細胞は、遺伝子発現の次元削減クラスタリングを用いてクラスタ化され、UMAPマップが作成されます。右の図は、マウス胚E16.5データにおける各細胞の実際の空間位置を示しています。細胞の空間分布が良好な特異性を持っていることが明確にわかります。

組織研究は常に生命科学研究の中核課題の一つです。実際、生物学研究の長期的な目標の一つは、組織の構造と機能の関係を理解することです。これは容易に理解できます。例えば、脳の様々な領域はそれぞれ異なるニューロンと支持細胞で構成されており、複雑な細胞間相互作用を通じて様々な機能を果たしています。記憶を司る領域、学習を司る領域、運動反応を司る領域など、様々な領域が存在します。

したがって、空間トランスクリプトミクス解析における中心的な課題は、空間内のさまざまな細胞タイプまたは組織モジュールを識別することであり、このタスクは総称して空間クラスタリングと呼ばれます。

このタスクは、細胞タイプの識別と組織モジュールの識別という2つのサブタスクで構成されています。前者はより直感的で、マウス胚データに見られるように、空間トランスクリプトームデータにおける様々な細胞タイプの識別を伴います。一方、後者は比較的抽象的で、組織構造自体よりも小さい組織内の領域（特定の機能を持つか、細胞で構成されている可能性があります）の識別を伴います。

研究者は様々な研究において、組織モジュールに空間ドメインや細胞ニッチなど様々な名称を与えていますが、空間ドメインという用語の方が一般的に使用されています。組織モジュールを特定することは、一貫した空間的遺伝子発現特性を持つ領域を特定することを意味すると考える研究者もいます。

しかし、この概念には限界があります。例えば、下の図Aは2つの領域間の遺伝子発現に有意な差があることを示していますが、図BとCでは領域間の遺伝子発現分布が完全には明確ではなく、交絡因子が含まれている可能性があります。図BとCは、空間領域の概念では対応できない状況を示しています。

これに対処するために、相互作用を考慮したセル埋め込みを学習することで空間領域の問題を解決する SPACE メソッドを提案します。

SPACE は、グラフオートエンコーダフレームワークを使用して、低次元セル埋め込みを学習します。

まず、空間トランスクリプトームデータを入力し、各細胞の空間位置に基づいて近傍グラフを構築します。近傍グラフは、各細胞に最も近い近傍細胞を連結してグラフを形成します。下図では、ノードは細胞を表し、ノードの特徴は細胞の遺伝子発現特性です。次に、近傍グラフと遺伝子発現プロファイルを、3層のGATネットワークで構成されるSPACEのエンコーダーに入力します。

エンコーダ処理によって各ノードの埋め込み表現が得られ、その後、2つの独立したデコーダを用いて再構成されます。1つのデコーダは低次元のセル隠れ層表現を近傍グラフに再構成し、もう1つのデコーダはセルの遺伝子発現プロファイルを再構成します。SPACEモデルの損失関数は、これら2つの再構成損失の合計です。

このプロセスでは、モデル内の 2 つの損失関数の重みを調整するために、知覚フィールド比パラメーター α を設計しました。

α値が小さい場合、モデルは細胞自身の遺伝子発現の再構築に重点を置き、得られた細胞埋め込みは細胞の種類を識別するために使用できます。α値が大きい場合、モデルは細胞間の相互作用に重点を置き、得られた細胞埋め込みは組織モジュールを識別するために使用できます。低次元細胞埋め込みZには細胞相互作用に関する情報が含まれているため、SPACEによって得られる低次元埋め込み表現を相互作用を考慮した細胞埋め込みと呼びます。

空間細胞のサブタイプを識別するために、マウスの一次運動野データセットに SPACE を適用しました。

下の図では、左上のプロットは実際の組織における各細胞の空間的位置を示しており、各ドットは細胞を表し、色は細胞の種類を示しています。これは遺伝子発現に基づいて生成されたUMAPマップです。左下の2つのプロットは、SPACEによって識別された空間的細胞サブタイプとその空間的位置を示しています。これらの空間的細胞サブタイプと、元の研究で提供された細胞タイプ（右図参照）に対して混同行列解析を実施しました。結果は概ね一致しており、調整済みRand指数（ARI）は0.6でした。さらに、 SPACEは星状細胞とオリゴデンドロサイトをより正確に区別し、より多くの細胞サブタイプを識別できます。

左下の画像は、マウス一次運動野の組織学的構造を示しています。層は皮質構造、白質は白質を表しています。第1層から白質までの層状構造が明瞭に観察されています。SPACE法で同定された3つの星状細胞サブタイプは、遺伝子発現のみでは区別が困難ですが、UMAP画像ではそれらが混在しています。

しかしながら、これら3つの細胞サブタイプは明確な空間的差異を示しており、s1サブタイプは主に第1層から第4層に、s2サブタイプは主に第5層から第6層に、s3サブタイプは主に白質に分布しています。これら3つの星状細胞サブタイプを取り囲む細胞タイプの割合を統計的に解析したところ、この層別パターンと一致しました。これら3つの細胞サブタイプは遺伝子発現において類似しているものの、それぞれ特異的な高発現遺伝子を発現しています。

SPACEによって同定された3つの星状細胞サブタイプは、先行研究と高い整合性を示しています。先行研究では、星状細胞とニューロンの相互作用が報告されており、星状細胞の層構造はニューロンの層構造に対応しています。研究者らは、ニューロン内の主要因子をノックアウトすることで、ニューロンの層構造が破壊され、それに応じて星状細胞の層構造が変化することを発見しました。これは、星状細胞とニューロンの間に空間特異的な相互作用と、空間特異的な遺伝子制御が存在することを示しています。

この例は、SPACE が空間情報を効果的に活用して、空間特性を持つさまざまな生物学的細胞タイプを正確に識別できることを示しています。

前回の記事では、SPACE がセンシングフィールドスケーリングパラメータ α を調整することでモデルの最適化方向を変更する方法について紹介しました。細胞自体の特性に重点を置いて細胞の種類を識別したり、細胞間の相互作用情報に重点を置いて組織モジュールを発見したりすることができます。

同じデータセットにおいて、 α値を増加させることで、SPACEは組織モジュールの特定に成功し、これを細胞集団（CC）と名付けました。SPACEによって発見された組織モジュールは識別可能な境界を持ち、その内部の細胞種の空間分布は比較的均一であると考えられます。SPACEによって発見された細胞集団を既存の組織構造と比較したところ、良好な一対一対応が見られました。各細胞集団には異なる細胞種が含まれており、これらの細胞種は細胞集団内で空間的に均一に分布しています。

SPACEと組織モジュールを識別できる既存の手法を比較するため、5つのデータセットでテストを実施しました。その結果、SPACEは2つのデータセットで最良の手法を上回り、他の3つのデータセットでは最良の手法と同等の性能を示しました。また、広く使用されているVisiumヒト脳データセットでもSPACEをテストし、単一細胞解像度を持たない空間トランスクリプトームデータへの適用可能性を実証しました。

さらに、SPACE_ngというテストモデルを導入しました。ngは、SPACEモデルにおける最近傍グラフ再構成損失を無効にしたことを示します。結果は、SPACE_ngのパフォーマンスがSPACEよりも大幅に劣っていることを示しています。

SPACEが組織モジュールを効果的に発見する能力が近接グラフの再構築に由来することをさらに実証するために、シミュレーション実験を設計しました。オリゴデンドロサイトを選択し、オリゴデンドロサイト内にミクログリアとOPC細胞を均等に分散させ（下の左上の画像を参照）、2つの組織モジュールを形成しました。

これら2つの組織モジュールの細胞の大部分はオリゴデンドロサイトであり、非常に高い類似度（協調度 = 0.97）を示しているため、テスト結果ではSPACEが他の手法よりもはるかに優れていることが示されています。一方、SPACE_ngは2つの組織モジュールを区別できませんでした。これは、SPACEの組織モジュール認識性能が近傍グラフの再構築に由来していることを示しています。

私たちは下流の分析でも同様の現象を観察しました。SPACE によって識別された細胞コミュニティは、空間領域のように一貫した遺伝子空間発現を示すだけでなく、むしろ隣接する細胞間の同様の相互作用を反映していました。

下のヒートマップでは、各列は細胞を表し、その色は細胞が属する細胞群と細胞の種類を示しています。各行は細胞の種類を表し、その細胞の種類と他の細胞との間の隣接細胞間相互作用の相対的な頻度を示しています。このヒートマップから、同じ細胞群に属する細胞は隣接細胞間相互作用において類似性を示しており、この類似性は特定の細胞の種類に依存しないことがわかります。一方、異なる細胞群に属する細胞は、隣接細胞間相互作用において大きな違いを示しています。

さらに、コサイン類似度を用いて細胞間相互作用の類似性を定量的に計算しました。その結果、同じ細胞群に属する細胞は隣接細胞との相互作用において高い類似性を示す一方で、異なる細胞群に属する細胞は細胞外相互作用において比較的異なることが示されました。これらの結果は、SPACEによって発見された細胞群は、単に遺伝子発現の空間パターンを示すだけでなく、近接する細胞相互作用ネットワークの影響も受けていることを示しています。

別のマウス胎盤データセットでも同様の解析を行いました。左パネルはデータセット内の各細胞種の空間位置を示し、中央左パネルは手動で注釈を付けたマウス胎盤組織構造を示し、中央右パネルはSPACEによって発見された5つの細胞群を示しています。SPACEによって発見された細胞群と手動で注釈を付けた組織構造の間には良好な一対一の対応関係があることがわかります。右パネルに示すように、各細胞群について特徴的な近位細胞相互作用ネットワークを構築し、各細胞群内の固有の細胞間相互作用を明らかにしました。

CC1を例に挙げると、このコミュニティは主に母体脱落膜領域に存在します。CC1内では、母体S2脱落膜細胞とS2糖栄養芽細胞の間に強い相互作用が見られました。これまでの研究では、マウスの妊娠中、糖栄養芽細胞が母体脱落膜領域に侵入し、そこに含まれる母体脱落膜細胞と相互作用することで、動脈リモデリングが誘発されることが示されています。このプロセスは母体血を胎盤へ輸送するものであり、正常な妊娠にとって非常に重要です。

上記の解析は、SPACEが生物サンプル中の生命プロセスに重要な影響を与える細胞間相互作用を特定できることを示しています。したがって、 SPACEによって構築された相互作用ネットワークは、リガンド-受容体に基づく細胞コミュニケーション解析を最適化するために使用できると仮定しています。

リガンド-受容体に基づく細胞間コミュニケーション解析は、単一細胞データ解析において一般的な手法です。この手法では、細胞内のリガンドと受容体の遺伝子発現に基づいて、リガンド-受容体ペアを介した2つの細胞間の細胞間コミュニケーションの可能性を推定します。私たちはまず、マウス胎盤データセットにおいて、CellChat（一般的な細胞間コミュニケーション解析手法）を用いてCC1細胞における細胞間コミュニケーションを解析しました。

CellChatは、母体s3の皮質細胞がコラーゲンFN1やTHBSなどのシグナル伝達経路を介してP-TGC細胞種とコミュニケーションできることを発見しました。しかし、これらのシグナル伝達経路は物理的な接触を必要とします。そして、これら2つの細胞種は実際には空間的に離れており（下図の右下隅を参照）、実際の物理的な接触は起こりにくいことがわかりました。

CC1で構築された近位細胞相互作用ネットワークもこれを裏付けています。青いボックスは、それらの間の相互作用の可能性が低いことを示しています。SPACEで構築された特徴的な近位細胞相互作用ネットワークをCellChat細胞コミュニケーション解析に導入することで、空間的に不可能な細胞コミュニケーションシグナルを除外し、偽陽性シグナルを効果的に削減することができます。

人材の採用

清華大学は、国家膜生物学重点実験室と共同で、杭州に膜構造と人工知能生物学部門を設立しました。現在、チームは人工知能と生物学の学際的研究を行う専門家を募集しています。この分野に関心のある研究者の皆様のご参加を心よりお待ちしております。募集に関する詳細は、以下のQRコードをスキャンしてください。

618ZXW