Predicting developmental states using transfer learning

Vorherzusagen, wie Zellen sich entwickeln und über diverse Vorläuferstadien ihren endgültigen Zelltyp annehmen, ist eine wichtige Frage in der Entwicklungsbiologie. Während jüngste Fortschritte in der Analyse von Einzeltellen bereits eine de- taillierte Erfassung von Entwicklungsstadien ermöglicht haben, fehlt diesen Techniken die zeitliche Auflösung, die erforderlich ist, um Vorläuferstadien mit ihren ausdifferenzierten Zuständen zu verknüpfen. Durch Einzelzellsequenzierung von RNA mehrerer aufeinanderfolgender Entwicklungsstadien ist es möglich, Entwicklungsprozesse durch pseudo-zeitliche Anordnung der Daten rechnerisch zu rekonstruieren. Allerdings können derartige deskriptive Ansätze fehlende Zeitpunkte nicht interpolieren oder extrapolieren, und es ist nicht bekannt, wie gut zelluläre Differenzierungsprozesse über verschiedene Systeme hinweg vorhersagbar sind. In dieser Studie habe ich einen maschinellen Lernansatz namens Deepcellpredictor (DCP) eingeführt, der einen maßgeschneiderten variationalen Autoencoder und Normalizing Flows integriert, um die Zelldifferenzierung anhand von Einzelzelldaten vorherzusagen. Ich habe DCP angewendet, um die Differen- zierungsverläufe der adulten Hämatopoese und der frühen Entwicklung von Zebrafischen vorherzusagen und seine Leistung mit anderen ähnlichen Vorhersage- modellen verglichen. Meine Ergebnisse zeigen, dass Autoencoder-basierte Tech- niken lineare Techniken übertreffen, wobei mein Deepcellpredictor Modell die genauesten Vorhersagen bei der Erfassung der Transkriptionsvarianz liefert. Es erwies sich, dass die Zelldifferenzierung während der frühen Embryonalentwick- lung des Zebrafischs genauer vorh-ergesagt werden konnte als die Hämatopoese bei erwachsenen Menschen. Zusätzlich habe ich gezeigt, dass die Unterschiede in der Vorhersagbarkeit zwischen embryonaler Differenzierung und erwachsener Hämatopoese auf mehr gemeinsame und koordinierte transkriptionelle Programme zurückzuführen sind, die bei der embryonalen Differenzierung im Vergleich zur erwachsenen Hämatopoese beobachtet werden.

Publication Details

Journal
edoc Publication server (Humboldt University of Berlin)
Published
2025-10-27
DOI
https://doi.org/10.18452/34655
Primary Topic
Polish-Jewish Holocaust Memory Studies
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
article

Predicting developmental states using transfer learning

edoc Publication server (Humboldt University of Berlin)
Polish-Jewish Holocaust Memory Studies
article

Predicting developmental states using transfer learning

article en

Abstract

Vorherzusagen, wie Zellen sich entwickeln und über diverse Vorläuferstadien ihren endgültigen Zelltyp annehmen, ist eine wichtige Frage in der Entwicklungsbiologie. Während jüngste Fortschritte in der Analyse von Einzeltellen bereits eine de- taillierte Erfassung von Entwicklungsstadien ermöglicht haben, fehlt diesen Techniken die zeitliche Auflösung, die erforderlich ist, um Vorläuferstadien mit ihren ausdifferenzierten Zuständen zu verknüpfen. Durch Einzelzellsequenzierung von RNA mehrerer aufeinanderfolgender Entwicklungsstadien ist es möglich, Entwicklungsprozesse durch pseudo-zeitliche Anordnung der Daten rechnerisch zu rekonstruieren. Allerdings können derartige deskriptive Ansätze fehlende Zeitpunkte nicht interpolieren oder extrapolieren, und es ist nicht bekannt, wie gut zelluläre Differenzierungsprozesse über verschiedene Systeme hinweg vorhersagbar sind. In dieser Studie habe ich einen maschinellen Lernansatz namens Deepcellpredictor (DCP) eingeführt, der einen maßgeschneiderten variationalen Autoencoder und Normalizing Flows integriert, um die Zelldifferenzierung anhand von Einzelzelldaten vorherzusagen. Ich habe DCP angewendet, um die Differen- zierungsverläufe der adulten Hämatopoese und der frühen Entwicklung von Zebrafischen vorherzusagen und seine Leistung mit anderen ähnlichen Vorhersage- modellen verglichen. Meine Ergebnisse zeigen, dass Autoencoder-basierte Tech- niken lineare Techniken übertreffen, wobei mein Deepcellpredictor Modell die genauesten Vorhersagen bei der Erfassung der Transkriptionsvarianz liefert. Es erwies sich, dass die Zelldifferenzierung während der frühen Embryonalentwick- lung des Zebrafischs genauer vorh-ergesagt werden konnte als die Hämatopoese bei erwachsenen Menschen. Zusätzlich habe ich gezeigt, dass die Unterschiede in der Vorhersagbarkeit zwischen embryonaler Differenzierung und erwachsener Hämatopoese auf mehr gemeinsame und koordinierte transkriptionelle Programme zurückzuführen sind, die bei der embryonalen Differenzierung im Vergleich zur erwachsenen Hämatopoese beobachtet werden.

edoc Publication server (Humboldt University of Berlin)
Openalex Percentile: Top 44%
Polish-Jewish Holocaust Memory Studies
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.

Predicting developmental states using transfer learning · edoc Publication server (Humboldt University of Berlin) (2025) | TGRS Research Map | TGRS