用单细胞RNA测序数据进行聚类的显著性分析
Isabella N Grabski1, Kelly Street2, Rafael A Irizarry3
1Department of Biostatistics, Harvard T. H. Chan School of Public Health, Boston, MA, USA. isabellagrabski@g.harvard.edu.
Nature methods
|July 10, 2023
概括
对单细胞RNA测序数据的统计分析改善了细胞类型的发现. 我们的新方法严格评估,防止过度信任新型细胞类型的识别.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 统计遗传学 统计遗传学
背景情况:
- 单细胞RNA测序 (scRNA-seq) 数据的无监督聚类对于识别细胞群体至关重要.
- 当前的集群算法往往缺乏统计学严谨性,导致由于未解决的可变性,对新型细胞类型发现的过度信心.
研究的目的:
- 为scRNA-seq数据集群开发一个统计严格的,基于模型的假设测试方法.
- 提供一种方法来统计评估已识别的细胞群的意义,并从任何算法评估集.
- 扩展这些方法,以考虑scRNA-seq数据中的批量效应.
主要方法:
- 扩大了层次聚类方法的意义,以纳入基于模型的假设测试.
- 开发了一个由任何集群算法生成的集群的统计评估框架.
- 调整了处理scRNA-seq数据集中的批量结构的方法.
主要成果:
- 与流行的集群工作流相比,拟议的方法显示了更好的性能.
- 在现实数据集中发现过度聚类的实例,例如人类肺细胞地图.
- 成功地在小鼠大脑皮层数据中总结了经过实验验证的细胞类型定义.
结论:
- 在scRNA-seq数据中统计评估细胞种群对于准确的细胞类型发现至关重要.
- 开发的方法通过正式解决统计不确定性,提高了细胞聚类的可靠性.
- 这种方法为分析复杂的scRNA-seq数据集和验证细胞类型定义提供了强大的工具.
更多相关视频
10:44Low-input Nucleus Isolation and Multiplexing with Barcoded Antibodies of Mouse Sympathetic Ganglia for Single-nucleus RNA Sequencing
Published on: March 23, 2022
4.2K
04:21Author Spotlight: Vascular Tissue Dissociation and Exploring Single-Cell Subclusters for Targeted Therapy
Published on: January 19, 2024
2.9K
