AGImpute:基于混合GAN的scrRNA-seq数据的归算,并使用掉队者识别
Xiaoshu Zhu1, Shuang Meng2, Gaoshi Li2
1School of Computer and Information Security, Guangxi Key Laboratory of Trusted Software, Guilin University of Electronic Technology, Guilin 541004, China.
Bioinformatics (Oxford, England)
|February 5, 2024
概括
在单细胞RNA测序数据中,AGImpute通过计算细胞特异性失学率,有效地归咎于单细胞RNA测序数据中的失学事件. 这种方法改善了下游分析,如细胞聚类和标记基因识别.
科学领域:
- 分析单细胞RNA测序数据分析.
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 数据中的脱落事件引入噪音并扭曲基因表达特征.
- 现有的归算方法往往无法解释细胞特异性失学率,从而损害了分析可靠性.
- 准确的归算对于强大的下游分析至关重要,例如细胞聚类和标记基因识别.
研究的目的:
- 开发一种新的归算方法,AGImpute,该方法解决了scRNA-seq数据中的细胞特异性脱落事件差异.
- 通过有效地归因掉队事件来提高scRNA-seq数据分析的准确性和可靠性.
- 为了提高下游分析任务的性能,使用归算的scRNA-seq数据.
主要方法:
- 一个混合生成对抗网络 (GAN) 模型与脱落识别集成,名为AGImpute.
- 使用每个单元格的动态值策略,对中断事件数量的差分估计.
- 通过混合深度学习模型将Autoencoder和GAN结合起来,对已识别的学事件进行归算.
主要成果:
- 与模拟和真实scRNA-seq数据集中的七种最先进的方法相比,AGImpute在归因掉队事件方面表现出卓越的性能.
- 该方法成功地减少了被归算的学事件的数量,表明了更高的准确性.
- AGImpute显著提高了下游分析性能,包括聚类,细胞特异性标记基因识别和轨迹推断.
结论:
- AGImpute提供了一个强大而准确的解决方案,通过考虑细胞特定的脱落率来归因scRNA-seq数据中的脱落事件.
- 拟议的方法提高了scRNA-seq数据分析的可靠性和准确性.
- AGImpute为研究人员使用scRNA-seq数据提供了一个有价值的工具,增强了生物洞察力.
