scDREAMER用于使用深度生成模型与对抗分类器配对的单细胞数据集的亚马逊层面集成
Ajita Shree1, Musale Krushna Pavan1, Hamim Zafar2,3,4
1Department of Computer Science and Engineering, Indian Institute of Technology Kanpur, Kanpur, India.
Nature communications
|November 27, 2023
概括
scDREAMER集成了使用深度学习的多种单细胞测序数据,克服批量效应并保持生物变异. 这种可扩展的框架使得在亚特拉斯层面上进行高效的跨物种分析成为可能.
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:
- 整合异质单细胞测序数据集对于理解复杂的生物系统至关重要.
- 挑战包括倾斜的细胞类型分布,嵌套批量效应,以及在数据集中保存发育轨迹.
研究的目的:
- 介绍scDREAMER,一个使用深度生成模型和对抗训练的新型数据集成框架.
- 为了使多个单细胞测序批次的无监督和监督集成.
主要方法:
- scDREAMER使用深度生成模型和对抗训练来进行数据集成.
- 该框架在6个真实数据集和100万个细胞的数据集上进行了基准测试,以获得可扩展性.
- 评估了无监督和监督 (scDREAMER-Sup) 整合方法.
主要成果:
- scDREAMER有效地解决了诸如倾斜细胞类型分布和嵌套批量效应等挑战.
- 与最先进的方法相比,它在批量校正和生物变异保护方面表现出卓越的性能.
- 该框架可扩展到地图库层面,跨物种 (人类和老鼠) 集成,并且具有计算效率.
结论:
- scDREAMER提供了一个强大的,可扩展的解决方案,用于整合异构的单细胞测序数据.
- 该框架在批量校正和生物变异保护方面表现优于现有的方法.
- scDREAMER促进了复杂生物系统的全面分析,并使大规模的跨物种地图书成为可能.
