分析单细胞RNA测序与拓非负矩阵因子化
Yuta Hozumi1, Guo-Wei Wei1,2,3
1Department of Mathematics, Michigan State University, East Lansing, MI 48824, USA.
Journal of computational and applied mathematics
|March 11, 2024
概括
拓非负矩阵因子化 (TNMF) 和强大的TNMF (rTNMF) 增强单细胞RNA测序 (scRNA-seq) 数据分析. 这些新的方法为复杂的生物数据提供了卓越的性能和多尺度分析.
科学领域:
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
- 统计 统计 统计 统计
背景情况:
- 单细胞RNA测序 (scRNA-seq) 产生高维,复杂的数据,引起了计算生物学和数据科学领域的重大兴趣.
- 非负矩阵因子化 (NMF) 是一种减小维度的技术,提供元基因解释,但缺乏多尺度分析能力.
研究的目的:
- 引入新的非负矩阵因子化 (NMF) 方法,用于增强单细胞RNA测序 (scRNA-seq) 数据分析.
- 解决现有的NMF方法的局限性,特别是缺乏多尺度分析.
主要方法:
- 开发了两个持久的拉普拉斯规范化NMF方法:拓NMF (TNMF) 和强大的拓NMF (rTNMF).
- 在12个不同的scRNA-seq数据集上评估了TNMF和rTNMF.
- 使用TNMF和rTNMF进行统一多重近似和投影 (UMAP) 和t分布式随机邻近嵌入 (t-SNE) 的可视化.
主要成果:
- 在所有测试的数据集中,TNMF和rTNMF显著优于现有的基于NMF的方法.
- 提出的方法为scRNA-seq数据提供了有效的多尺度分析.
- TNMF和rTNMF在增强UMAP和t-SNE等数据可视化技术方面表现出实用性.
结论:
- 在scRNA-seq数据分析中,TNMF和rTNMF代表了NMF的重大进步.
- 这些方法为探索复杂的生物数据提供了更好的性能和新的能力.
- 拓规范化提高了scRNA-seq.的NMF组件的可解释性和稳定性.
