对聚类算法的批判性评估,以改善单细胞转录组研究中的细胞聚类和鉴定
Xiao Liang1,2, Lijie Cao2, Hao Chen2
1Department of Obstetrics and Gynecology, Women and Children's Hospital of Chongqing Medical University, Chongqing 401147, China.
Briefings in bioinformatics
|January 3, 2024
概括
这项研究系统地评估了七个单细胞RNA测序 (scRNA-seq) 聚类算法. 在细胞类型识别和捕捉细胞异质性方面,CosTaL和DESC显示出卓越的性能.
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:
- 细胞聚类是单细胞RNA测序 (scRNA-seq) 分析中的关键初步步骤.
- 选择集群算法显著影响细胞识别的准确性和可重复性.
- 缺乏对现有的scRNA-seq集群算法的系统评估.
研究的目的:
- 批判性地评估和比较七个最先进的集群算法对scRNA-seq数据的性能.
- 为scRNA-seq分析选择合适的聚类方法提供指导.
主要方法:
- 评估了七个集群算法:四个基于深度学习的,Seurat,CostTaL和SC3.
- 在10个不同的scRNA-seq基准数据集中利用了多种不同的评估指数.
- 根据有效性得分,细胞类型识别和计算资源评估算法性能.
主要成果:
- 科斯塔尔 (CosTaL),塞拉特 (Seurat),深层嵌入单细胞集群 (DESC) 和SC3始终优于其他方法.
- 在聚类特定细胞类型和捕捉细胞异质性方面,CosTaL和DESC表现出卓越的性能.
- 单细胞变异推理工具显示数据集依赖性能,而SC3具有更高的内存和计算要求.
结论:
- 本研究提供了scRNA-seq集群算法的全面比较.
- 建议CosTaL和DESC用于强大的细胞类型识别和细胞异质性的分析.
- 这些发现为研究人员在scRNA-seq研究中选择聚类方法提供了宝贵的见解.
