特征选择之后,基于新型残留的正常化简化和改进了单细胞基因表达分析

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 单细胞RNA测序 (scRNA-seq) 分析需要正常化以减轻技术偏差,并为统计分析准备数据.
• 标准的工作流程通常涉及到在正常化后的特征选择,以确定高度可变的基因 (HVGs).

研究的目的:

• 建议修订scRNA-seq分析工作流程,在规范化之前进行早期特征选择.
• 引入一种使用稳定基因进行变异稳定和偏差减少的新型规范化方法.

主要方法:

• 开发了一种特征选择方法,适用于在规范化之前观察到的计数.
• 提出了一个变异稳定转换,包括基于残余的正常化.
• 利用稳定基因来指导减少系统偏见.
• 在R包Piccolo.中实现了工作流.

主要成果:

• 证明在规范化之前可以对观察到的数量进行特征选择.
• 展示了高度可变基因和稳定基因的识别.
• 通过使用提出的方法,在下游集群分析方面取得了显著的改进.
• 在模拟和已知的生物数据集上验证了方法.

结论:

• 在R包Piccolo中实现的新型工作流程为scRNA-seq数据分析提供了更高的准确性.
• 这种方法有效地减少了系统偏见,并改善了生物变异的识别.
• 该方法在模拟和生物验证数据集上都显示出强大的性能.