PARE:一个框架来消除任何基于距离的尺寸缩小方法的混效应
Andrew A Chen1, Kelly Clark2, Blake E Dewey3
1Department of Public Health Sciences, Medical University of South Carolina, Charleston, South Carolina, United States of America.
像t-SNE和UMAP这样的尺寸缩小方法可以增强,以消除不必要的混效应. 部分嵌入 (PARE) 框架允许这些工具更好地可视化复杂数据集中的生物模式.
科学领域:
- 计算生物学是一种计算生物学.
- 数据科学是数据科学.
- 生物信息学是一种生物信息学.
背景情况:
- 高维数据分析通常使用像t-SNE和UMAP这样的维度缩小技术.
- 这些方法擅长揭示复杂的生物模式,但很难从混变量中分离出感兴趣的效应.
- 不需要的效应,如批量效应或技术变化,可以掩盖真正的生物信号.
研究的目的:
- 引入一个新的框架,部分嵌入 (PARE),以消除尺寸缩小方法的混效应.
- 使用PARE框架开发和应用部分t-SNE和部分UMAP.
- 证明PARE在增强基因组和神经成像数据中的生物模式可视化的实用性.
主要方法:
- 部分嵌入 (PARE) 框架是为了能够从任何基于距离的尺寸缩小技术中去除混而开发的.
- 部分t-SNE和部分UMAP是基于PARE框架实施的.
- 这些新的方法用于分析单细胞测序 (基因组) 和神经成像数据集.
主要成果:
- 在单细胞测序数据中,PARE框架成功地消除了批量效应.
- 部分t-SNE和部分UMAP有效地分离了神经成像测量中的临床和技术变异性.
- 低维可视化在消除混后更清楚地揭示了有趣的生物模式.
结论:
- 部分嵌入 (PARE) 框架为现有的尺寸缩小方法提供了多功能扩展.
- PARE能够有效地消除混效应,提高高维生物数据的可解释性.
- 这种方法提高了在基因组学和神经成像等领域突出显示真实生物模式的能力.
更多相关视频
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
相关概念视频
Distance Corrections
Strategies for Assessing and Addressing Confounding
Confounding can be addressed at both the design phase of a study and through analytical methods after data...
Dimensional Analysis
Conversion Factors and Dimensional Analysis
The unit...
Confounding in Epidemiological Studies
Distance Measurements by Taping
Friedman Two-way Analysis of Variance by Ranks
