无监督单细胞集群与不对称的样本内转换和每个集群的监督特征选择.

科学领域:

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

背景情况:

• 单细胞RNA测序 (scRNA-Seq) 生成具有固有的噪音和失效的高维数据.
• 准确的数据处理对于可靠的下游分析至关重要,例如聚类和差异基因表达.
• 现有的方法可能会在低表达基因和识别生物相关特征方面扎.

研究的目的:

• 为scRNA-Seq数据呈现和验证非对称样本内转换 (AWiST) 方法.
• 提高scRNA-Seq数据集中等级聚类和分子特征识别的准确性.
• 为分析单细胞中的基因表达模式提供一个强大的框架.

主要方法:

• 将非对称样本内转换 (AWiST) 应用于scRNA-Seq数据,包括先前的脱落归算.
• 基因过基于每基因的估计,以删除非信息基因.
• 层次分类,然后再采样算法和通用线性模型 (GLM) 方法 (DESeq2) 来识别显著的基因表达变化.
• 结果的图形染,用于可靠性评估的增强数据缩放.

主要成果:

• 在AWiST方法有效地平坦低表达的基因强度,同时保持高度表达的基因水平.
• 基于经过处理的scRNA-Seq数据,改进了不同细胞群的识别.
• 通过强大的重新采样和GLM方法,成功地发现了与每个已识别的集群相关的分子特征.
• 使用热图进行增强的结果可视化,并进行数据缩放以表明可靠性.

结论:

• 非对称样本内转换是scRNA-Seq数据的有价值的预处理步骤,增强了下游分析.
• 集成的工作流提供了一种可靠的细胞聚类方法,并发现聚类特定的分子特征.
• 这种方法有助于更深入地了解复杂生物系统中的细胞异质性和基因调节.