部分标签学习用于单细胞转录组形状的自动分类
Malek Senoussi1, Thierry Artieres1,2, Paul Villoutreix1,3
1Aix Marseille Univ, Université de Toulon, CNRS, LIS, Turing Centre for Living Systems, Marseille, France.
PLoS computational biology
|April 5, 2024
概括
单细胞RNA测序数据的自动分类至关重要. 这项研究引入了部分标签学习,实现了与使用不那么严格的注释完全监督的方法可比的高准确性.
科学领域:
- 发展生物学 发展生物学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNASeq) 产生高维数据,对于了解细胞类型和细胞系至关重要. 由于数据量和复杂性,scRNASeq配置文件的手动注释具有挑战性. 自动化分类方法对于有效分析至关重要.
- 现有的自动化方法通常需要完全监督的训练数据集,这些数据集在单细胞分辨率下很难获得. 这种限制阻碍了scRNASeq在生物研究中的广泛应用.
研究的目的:
- 开发和评估使用部分标签学习的单细胞转录组形状的自动分类方法.
- 将最先进的分类算法调整为部分标签学习框架,结合标签集结构,特别是与发育生物学相关的层次结构.
- 在模拟和真实scRNASeq数据集上评估这些方法的性能和准确性,并将其与完全监督的方法进行比较.
主要方法:
- 扩展最先进的多类分类器 (SVM,kNN,逻辑回归,集合方法,基于原型的方法) 到一个部分标签学习框架.
- 研究了标签集结构的结合,重点关注发育过程中常见的层次关系.
- 使用模拟和真实scRNASeq数据集评估方法,分析标签不确定性对性能的影响.
主要成果:
- 部分标签学习方法,特别是基于非线性原型的方法,在分类单细胞转录组形状方面表现出很高的准确性.
- 使用部分注释数据进行训练的方法实现了与使用完全监督数据进行训练的方法相比的性能.
- 该研究确定了与标签不确定性相关的关键因素,并提供了对其对分类准确性的影响的见解.
结论:
- 层次和非层次的部分标签学习策略为单细胞转录组形状的自动分类提供了有效的解决方案.
- 与传统的完全监督学习相比,这些方法显著降低了对注释数据集的严格要求.
- 这些发现促进了复杂的scRNASeq数据的更容易获得和更准确的分析,推动了发育生物学研究.
