FEED:一种基于基因表达分解的特征选择方法,用于单细胞聚类
Chao Zhang1, Zhi-Wei Duan1, Yun-Pei Xu1
1School of Computer Science and Engineering, Hunan Provincial Key Lab on Bioinformatics, Central South University, Changsha, Hunan 410083, P.R. China.
Briefings in bioinformatics
|November 7, 2023
概括
使用基因表达分解 (FEED) 的特征选择改善了单细胞RNA测序 (scRNA-seq) 数据集群. 这种方法通过分析基因表达分布来提高细胞类型识别的准确性.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 分析依赖于准确的聚类来进行下游生物解释.
- 目前的特征选择方法经常忽视基因表达分布和群体内部异质性,限制了聚类性能.
- 鉴定细胞类型特定的基因对于提高单细胞数据分析的精度至关重要.
研究的目的:
- 引入一种新的特征选择方法,基于基因表达分解 (FEED) 的特征选择,用于scRNA-seq数据.
- 通过选择信息基因,提高scRNA-seq数据集中细胞类型识别的准确性.
- 通过结合基因表达分布和异质性来解决现有方法的局限性.
主要方法:
- 将基因表达水平分解为多个高斯元件.
- 一种基于表达分布的新型基因相关性计算方法.
- 一种基于变的方法来确定标记基因子集选择的基因重要性值.
主要成果:
- 在各种scRNA-seq数据集 (包括大规模数据集) 中,FEED显著提高了细胞类型识别的准确性.
- 与最先进的特征选择技术相比,该方法显示出更高的性能.
- 应用FEED,然后使用共同的集群算法,始终会产生更好的结果.
结论:
- 在scRNA-seq数据分析中,FEED提供了一种强大的特征选择方法.
- 该方法有效地利用基因表达分布来识别信息基因.
- FEED提高了单细胞数据集群和细胞类型识别的可靠性和准确性.
更多相关视频
09:34A Combinatorial Single-cell Approach to Characterize the Molecular and Immunophenotypic Heterogeneity of Human Stem and Progenitor Populations
Published on: October 25, 2018
6.7K
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
7.5K
