scNCL:将标签从scRNA-seq转移到scATAC-seq数据,并进行邻近对比的规范化
Xuhua Yan1, Ruiqing Zheng1, Jinmiao Chen2,3
1School of Computer Science and Engineering, Central South University, Changsha 410083, China.
Bioinformatics (Oxford, England)
|August 16, 2023
概括
我们开发了scNCL,这是一种用于单细胞多omics数据集成的新型转移学习方法. 这种方法有效地注释单细胞ATAC-seq (scATAC-seq) 数据使用单细胞RNA-seq (scRNA-seq) 引用,克服特征异质性挑战.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞ATAC测序 (scATAC-seq) 提供了对细胞类型特定调控机制的洞察.
- 在scATAC-seq分析中的挑战包括高维度,稀疏性和大数据规模,阻碍了准确的细胞类型识别.
- 利用注释的单细胞RNA-seq (scRNA-seq) 数据用于scATAC-seq注释是可取的,但由于特征异质性而具有计算挑战性.
研究的目的:
- 开发一种强大的转移学习方法,用于使用scRNA-seq引用对scATAC-seq数据进行注释.
- 解决跨模式单细胞数据集成中的计算障碍和特征异质性.
- 为了能够准确地识别细胞类型,并完善现有的scATAC-seq地图.
主要方法:
- scNCL采用转移学习框架,整合了先前的知识和对比学习.
- 它将scATAC-seq特征转化为基因活动矩阵,并利用邻近对比学习来保存细胞关系.
- 可转移的潜伏特征通过特征投射和对齐损失来学习,以协调scRNA-seq和scATAC-seq嵌入.
主要成果:
- scNCL实现了对常见细胞类型的准确和强大的标签传输.
- 该方法可靠地检测scATAC-seq数据集中的新型细胞类型.
- scNCL证明了大规模 (百万细胞) 数据集的计算效率和可扩展性.
- 该方法改进了现有的scATAC-seq地图中的单元类型注释.
结论:
- scNCL有效地克服了单细胞多omics数据集成中的特征异质性.
- 它为使用scRNA-seq引用进行scATAC-seq数据注释提供了一个强大而可扩展的工具.
- scNCL通过提高细胞类型的分辨率和发现来提高scATAC-seq地图的实用性.
