Wenpu Lai

作者提出DECIPHER，一个端到端的表征学习框架，通过分别学习用于解卷积的域恒定表征Zc和建模域相关变异的域特异表征Zs，并结合可微非负最小二乘优化从Zc估计细胞类型比例，在模拟数据、实验生成的bulk-细胞混合样本、真实世界数据集和多种分子模态上表现出稳健且有竞争力的解卷积性能，且学到的Zc还支持跨独立队列的时序年龄预测和肺腺癌的预后分层。

作者提出DECIPHER，一个端到端的表征学习框架，通过分别学习用于解卷积的域恒定表征Zc和建模域相关变异的域特异表征Zs，并结合可微非负最小二乘优化从Zc估计细胞类型比例，在模拟数据、实验生成的bulk-细胞混合样本、真实世界数据集和多种分子模态上表现出稳健且有竞争力的解卷积性能，且学到的Zc还支持跨独立队列的时序年龄预测和肺腺癌的预后分层。