Un estudio exhaustivo de referencia de herramientas computacionales para la transferencia de etiquetas inter-ómicas...

Área de la Ciencia:

• Genómica
• Biología Computacional
• Análisis Unicelular

Sus antecedentes:

• La accesibilidad de la cromatina unicelular (scATAC-seq) es vital para comprender la regulación génica en el desarrollo y la enfermedad.
• La anotación precisa de tipos celulares es esencial para interpretar la celularidad tisular compleja.
• Existen métodos limitados para transferir etiquetas de la secuenciación de ARN unicelular (scRNA-seq) a datos de scATAC-seq.

Objetivo del estudio:

• Evaluar de forma integral 27 herramientas computacionales para la anotación de tipos celulares scATAC-seq.
• Evaluar el rendimiento de las herramientas utilizando datos emparejados y no emparejados de scRNA-seq y scATAC-seq de tejidos humanos y de ratón.
• Identificar métodos óptimos para la transferencia de etiquetas inter-ómicas y evaluar los factores que influyen en el rendimiento.

Principales métodos:

• Evaluación de 27 herramientas computacionales para la anotación de etiquetas scATAC-seq.
• Se utilizaron datos emparejados y no emparejados de secuenciación de ARN y ATAC unicelular de diversos tejidos humanos y de ratón.
• Se evaluó el rendimiento en función de la precisión de la predicción, la escalabilidad (eficiencia de tiempo y memoria) y el impacto de las características de los datos.

Principales resultados:

• Bridge y GLUE fueron los mejores cuando se dispuso de datos emparejados de alta calidad para la transferencia de etiquetas.
• bindSC y GLUE mostraron la mayor precisión de predicción general para datos no emparejados.
• Factores como el desequilibrio de datos, la disimilitud inter-ómica y las estrategias semi-supervisadas afectaron negativamente el rendimiento.
• Bridge y métodos de aprendizaje profundo como GLUE demostraron una escalabilidad superior.

Conclusiones:

• Se recomiendan Bridge, GLUE y bindSC para la anotación de tipos celulares scATAC-seq, dependiendo de la disponibilidad de datos.
• La información a nivel de pico es crucial para una anotación precisa, más allá de la actividad génica.
• El desarrollo futuro de la metodología scATAC-seq debe considerar las características de los datos y la escalabilidad.