トランスクリプトミアとプロテオミアデータの単細胞クラスタリングアルゴリズムの比較ベンチマーク

科学分野:

• 計算生物学
• 単細胞マルチオミクス分析
• バイオ情報学

背景:

• 単細胞データのクラスタリングは,異なるオミックスの様式におけるデータ分布,次元性,および品質の変動のために困難です.
• 既存のクラスタリングアルゴリズムは,主に特定のオミクスタイプ (例えば,トランスクリプトミクス,プロテオミクス) のために開発されており,それらのクロスモダル性能と統合能力の理解は限られている.

研究 の 目的:

• シングル・セル・トランスクリプトミクスとプロテオミクスデータにおけるコンピューティング・クラスタリング・アルゴリズムのパフォーマンスを体系的にベンチマークする.
• 高変性遺伝子 (HVGs) や細胞型粒度などの要因がクラスタリング結果に与える影響を評価する.
• マルチオミクスのデータを統合してクラスタリングを改善し,方法の選択を導くことの利点を評価する.

主な方法:

• 10個のペアリングされた単細胞のトランスクリプトミクとプロテオミクデータセットの28の計算アルゴリズムの比較基準分析.
• クラスタリングの精度,ピークメモリ使用量,実行時間のメトリックを使用してアルゴリズムのパフォーマンスの評価.
• 30のシミュレーションデータセットと7つの統合方法から集積されたマルチオミックスのデータの分析を使用して,方法の堅実性の評価.

主要な成果:

• 様々なクラスタリングアルゴリズムのモダリティ特有の強みと限界を特定した.
• 異なる方法の互補性を示し,HVGと細胞タイプの粒度性の影響を強調した.
• 統合されたトランスクリプトミックのデータとプロテオミックのクラスタリングのパフォーマンスを示し,潜在的な改善を明らかにしました.

結論:

• 特定の単細胞マルチオミックデータシナリオとユーザの優先順位 (例えば,パフォーマンス,メモリ,時間効率) に基づく適切なクラスタリング方法を選択するための実行可能な洞察.
• scAIDE,scDCC,およびFlowSOMを推奨し,両方のオミークにおいて最高の性能を得ている.FlowSOMは堅牢性で注目されている.
• メモリの効率化のためにscDCCとscDeepCluster,時間の効率化のためにTSCAN,SHARP,MarkovHC,そしてバランスのためにコミュニティ検出方法.