《自然—方法学》

元学习在异质单细胞实验中发现新的细胞类型

美国斯坦福大学Jure Leskovec研究团队的最新研究提出了在单细胞RNA测序数据集中发现新的细胞类型的元学习算法。相关论文发表在10月19日的《自然—方法学》杂志。

课题组介绍了MARS，这是一种用于识别和注释已知以及新细胞类型的元学习方法。MARS通过跨多个数据集传输潜在细胞表示，克服了细胞类型的异质性。MARS使用深度学习学习细胞嵌入方程以及细胞嵌入空间中一系列特征。该方法具有发现以前从未见过的细胞类型并注释尚未注释的实验的独特能力。

课题组人员应用MARS到一个大的老鼠细胞图谱，显示了MARS在即使从未见过该类细胞情况下也能准确地识别细胞类型的能力。此外，MARS能够自动生成在嵌入空间就概率定义的一个新细胞类型的可解释的名字。

据悉，尽管科学家在细胞种类注释问题上已投入了巨大工作，但从异质性的单细胞RNA测序数据中发现从前未表征过的细胞种类仍然是一个挑战。

相关论文信息：

https://doi.org/10.1038/s41592-020-00979-3

《自然—神经科学》

以边缘为中心的网络神经科学揭示重叠系统级架构

美国印第安纳大学Richard F. Betzel研究组发现，人类大脑皮层的以边缘为中心的功能网络表示揭示了重叠的系统级架构。10月19日的《自然—神经科学》杂志发表了这项成果。

在这项研究中，他们开发了一个以边缘为中心的网络模型，该模型生成结构“边缘时间序列”和“边缘功能连接”（eFC）。使用网络分析，他们发现，静止时，eFC在数据集之间是一致的，并且可以在多个扫描会话中的同会话内重现。他们证明聚类eFC产生的边缘群体自然将大脑分成重叠的集群，在感觉运动和注意力网络中的区域表现出最大程度的重叠。

他们表明，eFC通过感官输入的变化被系统地调控。在未来的工作中，以边缘为中心的方法可用于识别疾病的新型生物标记，表征个体变异并绘制高度解析的神经回路的结构。

据介绍，网络神经科学依赖于以节点为中心的网络模型，在该模型中，细胞、种群和区域通过解剖或功能连接相互链接。这种模型无法解释边缘之间的相互作用。

相关论文信息：

https://doi.org/10.1038/s41593-020-00719-y