统计方法scDEED用于检测可疑的2D单细胞嵌入,并优化t-SNE和UMAP超参数
Lucy Xia1, Christy Lee2, Jingyi Jessica Li3,4,5,6,7
1Department of ISOM, School of Business and Management, Hong Kong University of Science and Technology, Clear Water Bay, Hong Kong, China.
Nature communications
|February 26, 2024
概括
这项研究介绍了scDEED,这是一种统计方法,用于从t-SNE和UMAP等可视化技术中识别不可靠的细胞嵌入. 通过优化嵌入参数,scDEED有助于提高单细胞数据分析的准确性.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 数据可视化 数据可视化
背景情况:
- 对于单细胞数据可视化而言,二维 (2D) 嵌入方法,如t分布式静态邻居嵌入 (t-SNE) 和统一的多元近似和投影 (UMAP) 是至关重要的.
- 然而,这些方法可能会产生嵌入不准确地反映细胞群之间的真实相似性.
- 这种限制可能导致单细胞数据分析中的误解.
研究的目的:
- 开发一种统计方法,scDEED,用于检测2D嵌入技术产生的不可靠 (可疑) 细胞嵌入.
- 通过将可疑嵌入的数量最小化,为优化嵌入方法的超参数提供框架.
主要方法:
- scDEED 计算每个细胞嵌入的可靠性得分.
- 这个得分是基于细胞在2D嵌入中的邻居与其在嵌入前空间中的邻居之间的相似性.
- 具有低可靠性得分的电池被标记为可疑.
主要成果:
- 在多个数据集中,scDEED有效地识别了可疑的细胞嵌入.
- 该方法在指导t-SNE和UMAP的超参数优化方面具有实用性.
- 这使得单细胞数据的2D嵌入更可信和可靠.
结论:
- scDEED提供了一种强大的方法来评估和提高单细胞分析中二维嵌入的质量.
- 通过识别和缓解可疑的嵌入,scDEED提高了细胞可视化和下游分析的可靠性.
- 该方法为使用t-SNE,UMAP和其他嵌入技术的研究人员提供了实用工具.
