cellsig插件增强了CIBERSORTx对多数据集转录组的签名选择,具有稀疏的多层模型
Md Abdullah Al Kamran Khan1, Jian Wu2, Yuhan Sun1
1Department of Microbiology and Immunology, The University of Melbourne at The Peter Doherty Institute for Infection and Immunity, Parkville, VIC 3010, Australia.
Bioinformatics (Oxford, England)
|November 12, 2023
概括
一个新的贝叶斯模型CellSig通过处理复杂的数据结构和非重叠的基因集来改进来自大量RNA测序数据的细胞类型签名估计. 这增强了用于各种生物应用的标记基因识别.
科学领域:
- 基因组学就是基因组学.
- 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:
- 精确的细胞类型转录组表征对于理解细胞动态和临床应用至关重要.
- 单细胞RNA测序已经推进了细胞类型的分析,但数据异质性和跨研究不重叠的基因组仍然存在挑战.
- 像CIBERSORTx这样的现有工具与层次数据和非重叠的基因组进行斗争,通常需要数据归算或过.
研究的目的:
- 开发一个新的贝叶斯稀疏多层模型,称为cellsig,以增强细胞类型签名估计.
- 解决当前方法在数据异质性,层次结构和大量和伪大量RNA测序数据中不重叠的基因组方面的局限性.
- 为了提高细胞类型标记基因识别的准确性和稳定性.
主要方法:
- 开发了一种贝叶斯稀疏多层模型 (cellsig),用于计算多层效应和基因组稀疏性.
- 将cellsig应用到一个精选的人类批量细胞类型目录中,包括58个数据集中的1435个样本.
- 与现有方法相比,评估了cellsig在细胞类型标记基因排名中的表现.
主要成果:
- CellSig显著改善了细胞类型标记基因排名性能.
- 该模型有效地处理大规模,异质批量和伪批量RNA测序数据与非重叠的基因集.
- 在1435个样本的统一数据集上证明了增强的性能.
结论:
- CellSig提供了一种强大的方法,用于从复杂的转录基因数据中选择细胞类型的签名.
- 该方法对标记基因验证,单细胞注释和解卷基准具有重要意义.
- 为研究人员使用大规模RNA测序数据集提供了有价值的工具.
