对于单细胞RNA序列数据分析的K-最近邻居诱导拓PCA
Sean Cottrell1, Yuta Hozumi1, Guo-Wei Wei1,2,3
1Department of Mathematics, Michigan State University, East Lansing, MI 48824, USA.
ArXiv
|November 14, 2023
概括
拓主要组件分析 (tPCA) 通过捕获多层次异质性来增强单细胞RNA测序数据分析. 这种方法,包括kNN-tPCA,显著优于现有的尺寸缩小和特征选择技术.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 数据科学数据科学数据科学
背景情况:
- 单细胞RNA测序 (scRNA-seq) 揭示了细胞异质性,但由于数据稀疏和高维度,面临分析挑战.
- 像PCA这样的传统的缩小维度方法可能无法捕获复杂的几何结构或scRNA-seq数据中固有的多尺度信息.
结论:
- 拟议的tPCA和kNN-tPCA方法为scRNA-seq数据分析中的维度减少和特征选择提供了有效的解决方案.
- 这些拓方法成功地捕捉了多尺度和多类异质性,优于现有的最先进的方法.
- kNN-tPCA框架为拓数据分析中的超参数调整提供了一种新的方法.


