使用死后人类前额叶皮层的多试验参考数据集进行细胞解卷方法的基准
Louise A Huuki-Myers1, Kelsey D Montgomery1, Sang Ho Kwon1,2
1Lieber Institute for Brain Development, Johns Hopkins Medical Campus, Baltimore, MD, 21205, USA.
bioRxiv : the preprint server for biology
|February 26, 2024
概括
从大量RNA测序数据中准确的细胞类型解需要强大的计算方法. 这项研究使用多试验数据集评估了六种算法,发现Bisque和hspe在不同的RNA提取和库准备方法中是最准确和可靠的.
科学领域:
- 神经科学是一个神经科学.
- 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:
- 大量RNA测序 (RNA-seq) 数据的细胞解卷对于估计像人类大脑这样复杂组织中的细胞类型组成至关重要.
- 现有的计算解卷方法存在局限性,原因是缺乏集成的数据集,在各种RNA提取和库准备技术中进行直角测量和评估.
- 绩效基准主要使用模拟或伪数据,不完全反映现实世界的生物变异性.
研究的目的:
- 开发和验证计算解卷算法,使用来自人类大脑组织的综合多试验数据集.
- 评估不同RNA提取方法和库准备类型对解卷精度的影响.
- 为了比较六个解卷算法的性能与直角细胞类型比例测量.
主要方法:
- 从死后人体背侧前额皮层 (DLPFC) 生成多个测试数据集,包括空间解析的转录组学,单核RNA测序 (snRNA-seq) 和在六个库/提取组合中大量RNA-seq.
- 应用平均比率方法 (DeconvoBuddies R包) 来选择细胞类型标记基因.
- 评估六个计算解卷算法,并将它们预测的细胞类型比例与RNAScope/免疫光学 (RNAScope/IF) 测量进行比较.
主要成果:
- 比斯克和hspe解卷算法在不同RNA库类型和提取方法中展示了最高的准确性和稳定性.
- 该研究确定了细胞大小差异,跨RNA库的差异标记基因量化,以及参考snRNA-seq组合变异性作为影响解卷精度的关键因素.
- 使用RNAScope/IF进行对角验证为评估计算解卷性能提供了可靠的基准.
结论:
- 建议将Bisque和hspe作为大量RNA-seq数据的最准确和最强大的计算解卷方法,特别是在像大脑这样的异质组织中.
- 这些发现强调了在执行和解释细胞类型解时考虑RNA提取,库准备和参考数据集质量的关键需要.
- 这一多试验数据集为未来开发和对改进的解卷算法进行基准测试提供了宝贵的资源.
