不确定性意识的单单元格注释,具有层次性的拒绝选项

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.
• 机器学习 机器学习

背景情况:

• 自动细胞类型注释使用RNA-seq数据来标记细胞.
• 基因表达特征的分辨率有限,导致注释不确定性.
• 当前的方法通常使用完全拒绝来处理不确定性,但这可能会丢弃有价值的信息.

研究的目的:

• 评估用于自动细胞类型注释的不同拒绝策略.
• 用各种拒绝方法比较平面与等级分类器.
• 建立在RNA-seq数据集中处理注释不确定性的最佳实践.

主要方法:

• 评估了三个注释方法:完全拒绝,部分拒绝和没有拒绝.
• 与平面和层次的概率分类器进行比较.
• 分析了基于拒绝策略和值的分类器性能.

主要成果:

• 在应用拒绝时,等级分类器的表现优于平面分类器.
• 部分拒绝是首选的方法,保留标签上的重要信息.
• 如果没有拒绝,则平面和层次方法的性能类似,如果层次反映了转录组关系.
• 最佳的拒绝值需要仔细检查方法特定的拒绝行为.

结论:

• 有部分拒绝的等级模型为细胞类型注释提供了一个强大的策略.
• 拒绝策略和门的选择显著影响注释准确性和信息保存.
• 为了推进单细胞RNA-seq分析,对优化排斥机制的进一步研究是有必要的.