単細胞と単核のデータセットを統合すると,大量RNA-seq解凍が改善されます

科学分野:

• コンピュータ生物学
• ゲノミクス
• バイオ情報学

背景:

• 大量RNAシーケンシング (RNA-seq) の解凍は,しばしば単細胞RNAシーケンシング (scRNA-seq) の参照に依存する.
• いくつかの細胞タイプは単核RNAシーケンシング (snRNA-seq) によってのみ検出されるが,核のみのトランスクリプトキャプチャにより,参照として直接使用すると,解縮精度が低下する.

研究 の 目的:

• 大量RNA-seq解凍のための snRNA-seqとscRNA-seqデータを統合するための戦略を体系的にベンチマークする.
• snRNA-seq参照とscRNA-seqデータを調和させるための最適な遺伝子フィルタリングと変換アプローチを特定する.

主な方法:

• 主要成分ベースのシフト,変異性オートエンコーダー (scVI),微分遺伝子発現 (DEG) フィルタリングを評価した.
• 4つの異なる組織で方法を比較し,scRNA-seqのみの参照と比較した.
• 本物の脂肪のサンプルを用いて強さを評価した.

主要な成果:

• すべての試験された方法は,変形しないsnRNA-seqと比較して解凍精度が向上した.
• 一貫したクロスモダリティのDEGをフィルタリングすると,しばしばscRNA-seqのみの参照に匹敵するか,またはそれを上回る最大の性能が得られました.
• 条件付きのscVIは比較可能で,マッチした細胞タイプが利用できない場合に有効であることが証明されました.

結論:

• scRNA-seqを,利用可能な場合,バルクRNA解凍の主要な参照として優先します.
• より高い精度のために,クロスモダリティのDEGをフィルタリングした後,snRNA-seqデータを統合します.
• 条件付きのscVIは,特異性の低いシステムにとって実用的な代替手段として機能し,deconvolutionにおいてscRNA-seqに近い精度を可能にします.