使用CellBender从基于滴滴的单细胞实验中无监督地去除系统的背景噪声
Stephen J Fleming1,2, Mark D Chaffin3,4, Alessandro Arduini3,5
1Data Sciences Platform, Broad Institute of MIT and Harvard, Cambridge, MA, USA. sfleming@broadinstitute.org.
Nature methods
|August 7, 2023
概括
这项研究介绍了CellBender,这是一个深度学习工具,用于减少基于滴滴的单细胞测序数据中的背景噪声. 细胞Bender精确地消除噪音,改善基因表达分析和识别未被捕获的细胞类型.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 分子生物学分子生物学
背景情况:
- 基于滴滴的单细胞测试如scRNA-seq,snRNA-seq和CITE-seq产生了显著的背景噪声.
- 这种噪音的特点是,在无细胞滴和异位基因表达中的非零数量,可以引入批量效应,并导致不准确的差异性基因表达结果.
研究的目的:
- 开发一种深度生成模型,用于精确量化和清除基于滴滴的单细胞测定中的噪声.
- 将这个模型实现到一个可扩展的开源软件包中,以实现广泛的可访问性.
主要方法:
- 开发一种深度生成模型,模拟滴滴基试验中的噪声生成.
- 在CellBender软件包中实现模型.
- 使用模拟和真实世界的单细胞测序数据集进行验证.
主要成果:
- 细胞Bender模型准确地区分了含有细胞的从无细胞滴.
- 它有效地学习和纠正背景噪声,提供无噪声量化.
- 根据模拟,CellBender 运行在理论上最优的消噪极限附近.
- 现实世界的数据分析表明,与已知的基因表达模式的一致性得到了增强.
结论:
- 细胞Bender提供了一个强大的解决方案,以减轻基于滴滴的单细胞数据中的噪声.
- 该软件提高了基因表达分析的可靠性,并有助于识别潜在的数据质量问题,如退化或未捕获的细胞类型.
