scFusionTTT:利用测试时训练层的单细胞转录组学与蛋白质组学融合
原文中文,约400字,阅读约需1分钟。发表于: 。本研究针对当前单细胞多组学数据中基因信息利用不足及基因序列信息忽视的挑战,提出了一种新颖的scFusionTTT方法。该方法通过结合TTT层与基因蛋白的顺序信息,提升了多模态组学的融合能力,并强化了单模态组学分析,最终在多个数据集上实现了最佳性能,展示了其显著的效果。
研究使用对比自监督学习训练FT-Transformer模型,从miRNA、mRNA或RPPA数据预测癌症类型。相比XGBoost和CatBoost,该模型在标记样本稀缺时表现更好。提出的多模态模型通过后融合处理不同组学,实验显示多模态预训练提升了单一组学的预测效果,尤其在未标记多模态样本丰富时。适用于大量未标记数据但标记样本稀缺的情况。