基于单细胞参考和域自适应匹配的批量组织中细胞类型丰度的高度准确估计
Xinyang Guo1, Zhaoyang Huang1, Fen Ju2
1School of Computer Science and Technology, Xidian University, Xi'an, 710071, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|December 10, 2023
概括
SCROAM通过将单细胞和大量RNA测序数据转化为共享空间,准确地识别复杂组织中的细胞类型. 这种新的计算方法增强了疾病研究和诊断.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 准确的细胞组成识别对于了解疾病发病,诊断和预防至关重要.
- 目前的大量RNA测序解卷方法通常依赖于匹配的单细胞RNA测序引用,这可能受到分布差异和数据质量的限制.
- 由于大量和单细胞RNA测序数据分布之间的差异,现有的方法可能会引入无效信息.
研究的目的:
- 介绍SCROAM,一种用于解大量RNA测序数据的新型计算方法.
- 通过消除单细胞和大量RNA测序数据之间的分布差异来解决现有方法的局限性.
- 为了能够精确地识别复杂组织中的细胞类型,以改善疾病研究.
主要方法:
- SCROAM将单细胞RNA测序 (scRNA-seq) 和大量RNA测序 (RNA-seq) 数据转化为一个共享的潜在特征空间.
- 在这个共享空间中,数据集之间的分布差异被消除了.
- 细胞类型特定的表达矩阵是从scRNA-seq数据生成的,以方便在大量组织中准确识别细胞类型.
主要成果:
- SCROAM在对比模拟和真实数据集的基准测试中展示了准确性和稳定性.
- 在小鼠脊髓组织上的实验验验证了SCROAM在大量组织中识别细胞类型的有效性.
- 对肝癌和质母细胞瘤数据集的综合分析展示了SCROAM在复杂疾病环境中的适用性.
结论:
- SCROAM是一种高效的计算工具,用于在大量RNA测序数据中识别细胞类型.
- 该方法克服了与传统基于参考的解卷方法相关的局限性.
- 这项研究提供了一种新的方法,可以精确了解疾病病原和潜在的治疗策略.
