数据转换对单细胞RNA-seq的低维集成的影响

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 单细胞RNA测序 (scRNA-seq) 可实现高分辨率的组织分析.
• 数据异质性和噪声需要强大的整合方法来进行多数据集研究.
• 现有的scRNA-seq分析管道往往忽视了优化数据转换技术.

研究的目的:

• 研究各种数据转换方法对scRNA-seq批量集成的影响.
• 评估转换如何影响低维表示和下游分析,如集群和轨迹推理.
• 评估数据转换对应用到scRNA-seq数据的深度学习模型的影响.

主要方法:

• 16种不同的数据转换方法的比较.
• 评估转换对主要组件分析 (PCA) 和统一多重近似和预测 (UMAP) 输出的影响.
• 对自动编码器和原型网络模型的转换影响的评估.
• 利用批量混合得分来指导转换选择.

主要成果:

• 数据转换显著影响scRNA-seq集群和低维数据表示.
• 转换方法的选择极大地影响了多数据集轨迹分析.
• 不同数据集的最佳数据转换性能各不相同.
• 深度神经网络模型的结果也受到数据转换选择的强烈影响.

结论:

• 数据转换是减轻集成scRNA-seq分析中批量效应和噪声的一个关键因素.
• 适当的数据转换可以使用低维特征实现有效的批量集成.
• 批量混合分数作为选择最佳数据转换的可靠指标.
• 仔细考虑数据预处理,特别是数据转换,对于可靠的多数据集scRNA-seq分析至关重要.