登录体验完整功能(收藏、点赞、评论等) — 已累计有 8655 人加入

让AI触手可及,让应用激发潜能

MIT联合ETH推出APOLLO框架 破解单细胞多模态数据解耦难题

麻省理工学院与瑞士苏黎世联邦理工学院联合研究团队于2026年3月4日正式发布APOLLO计算框架,通过潜变量优化学习部分重叠潜空间的自编码器,实现单细胞多模态数据中共享信息与特异性信息的明确分离,打破传统多模态整合的技术局限,为精准解析细胞状态及其调控逻辑提供全新可行路径。

单细胞测序技术的迭代让科研人员得以同时捕捉细胞内的转录组、蛋白质组等多维度特征,但长期以来,如何将不同模态的数据中共享的调控信息和细胞个体的特异性特征清晰拆分,始终是行业内的核心瓶颈——传统整合分析往往会混淆两类信息,导致对细胞状态的解读出现偏差,也限制了疾病机制研究的精度。

APOLLO框架的核心突破在于采用了部分重叠潜空间的自编码器结构,区别于传统多模态模型隐式融合特征的思路,它通过显式建模两类核心信息:一类是不同模态共有的细胞基础调控特征,另一类是各模态独有的细胞特异性数据。研究团队通过优化潜变量的约束规则,让两类信息的分离精度得到大幅提升,避免了传统方法中信息交叉干扰的问题。

免责声明:本网站AI资讯内容仅供学习参考,不构成任何建议,不对信息准确性与完整性负责。
相关资讯
AI小创