对单细胞和空间转录组学数据的维度缩小和聚类方法进行全面的调查.
Yidi Sun1, Lingling Kong1, Jiayi Huang1
1School of Computer Science and Technology, Hainan University, Haikou 570228, China.
Briefings in functional genomics
|June 11, 2024
概括
本综述总结了用于单细胞和空间转录组数据分析的基本维度缩小和聚类算法. 这些方法有助于可视化和分组细胞,揭示细胞多样性并指导进一步的研究.
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:
- 单细胞转录组学和空间转录组学是生物研究的强大工具.
- 分析这些数据需要减小维度和集群,因为其高维性质.
- 这些技术对于可视化数据和识别不同细胞种群至关重要.
研究的目的:
- 系统地审查广泛认可的缩小维度和聚类算法.
- 为开发转录基因数据的新型分析工具提供见解.
- 帮助研究人员分析和解释单细胞和空间转录组数据集.
主要方法:
- 对已建立的缩小维数算法 (例如PCA,t-SNE,UMAP) 的审查.
- 审查已建立的聚类算法 (例如,k-means,层次聚类,基于图形的聚类).
- 专注于单细胞和空间转录组数据分析中的应用.
主要成果:
- 识别常用于转录数据分析的关键算法.
- 演示如何减小维度有助于数据可视化和关系观察.
- 解释聚类如何促进细胞亚群和细胞多样性的识别.
结论:
- 缩小维度和聚类对于分析高维度的转录基因数据是不可或缺的.
- 算法的系统总结为研究人员提供了有价值的指导.
- 本综述有助于在转录学学中推进计算工具的发展.


