基准数据驱动的过用于TCRpMHC单细胞数据的无效化

科学领域:

• 免疫学 免疫学 免疫学
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 对于T细胞介导免疫来说,T细胞受体 (TCR) - -MHC (pMHC) 相互作用至关重要.
• 高通量单细胞测序与DNA条形码的MHC多元器件允许T细胞特异性研究.
• 数据可变性和低信号噪声比率挑战了当前的TCR-pMHC特异性分析.

研究的目的:

• 为了对单细胞TCR-pMHC特异性数据进行比较和评估,我们使用ICON和ITRAP这两种异性化方法.
• 评估这些方法在提高数据质量和信号噪声比方面的有效性.
• 确定哪种方法在分析T细胞特异性方面提供了更高的性能.

主要方法:

• 在公开可用的 10x Genomics 免疫分析数据上应用和评估 ICON 和 ITRAP 否认方法.
• 使用内部指标和机器学习模型进行分析,这些模型是基于原始和非原始化数据进行训练的.
• 信号与噪声比率的比较以及原始数据集与无源数据集之间的数据一致性.

主要成果:

• 无论是ICON还是ITRAP,都确定大约75%的原始数据是噪音.
• 与原始数据相比,使用这两种方法进行denoising可以提高信号噪声比率.
• 在数据的一致性和整体有效性方面,ITRAP方法表现出卓越的性能.

结论:

• 在高通量TCR-pMHC特异性研究中的数据质量改善中,拒绝是必不可少的.
• ITRAP方法为分析T细胞特异性提供了更强大的方法.
• 通过denoising提高数据质量对于我们对T细胞介导免疫的理解至关重要.