调整scRNA-seq数据以改善空间转录组学的细胞类型分解
Lanying Wang1, Yuxuan Hu1, Lin Gao1
1School of Computer Science and Technology, Xidian University, Xi'an 710100, China.
Briefings in bioinformatics
|March 1, 2024
概括
空间转录学 (ST) 方法往往缺乏单细胞分辨率. 我们开发了一个转移学习框架来调整单细胞RNA测序 (scRNA-seq) 数据,提高ST数据中的细胞类型分解精度.
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:
- 基于测序的空间转录学 (ST) 技术能够在组织微环境中捕获基因表达,但通常缺乏单细胞分辨率.
- 每个ST点可能包含来自多种细胞类型的细胞,因此需要计算方法来推断细胞类型的组成.
- 现有的细胞类型分解方法整合了单细胞RNA测序 (scRNA-seq) 数据,但往往忽视了scRNA-seq和ST数据集之间的分布差异,导致细胞类型特定的基因表达特征不准确.
研究的目的:
- 开发一种基于实例的新型转移学习框架,以调整 scRNA-seq 数据用于 ST 分析.
- 为了减轻由scRNA-seq和ST数据之间的分布差异引起的细胞类型分解偏差.
- 为了提高空间转录学中细胞类型比例估计的准确性.
主要方法:
- 开发了一个基于实例的转移学习框架,以使用ST数据调整scRNA-seq数据.
- 通过使用八种主要分解方法,评估了原始与调整后的scRNA-seq数据对细胞类型分解的影响.
- 利用模拟和现实世界的空间转录和scRNA-seq数据集进行全面验证.
主要成果:
- 数据调整有效地减少了scRNA-seq和ST数据集之间的分布差异.
- 调整后的scRNA-seq数据显著提高了多种细胞类型分解方法的性能.
- 增强的分解精度导致了更精确地绘制细胞类型的空间组织.
结论:
- 基于实例的转移学习对于纠正集成性scRNA-seq和ST分析中的分布转移至关重要.
- 在分解前调整数据可以提高空间细胞类型分析的可靠性和精度.
- 这种方法为改善空间转录组学研究中的细胞类型分解提供了有价值的指导.
