特征选择之后,基于新型残余的规范化,包括差异稳定,简化和改进单细胞基因表达分析
Amartya Singh1, Hossein Khiabanian2,3,4
1Center for Systems and Computational Biology, Rutgers Cancer Institute of New Jersey, Rutgers University, New Brunswick, NJ, USA. as2197@scarletmail.rutgers.edu.
BMC bioinformatics
|July 30, 2024
概括
这项研究引入了单细胞RNA测序 (scRNA-seq) 分析的新工作流程,在正常化之前进行特征选择,以改善数据解释和识别稳定基因,以更好地减少偏差.
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:
- 规范化对于单细胞RNA测序 (scRNA-seq) 数据分析至关重要,旨在减少技术偏差并转换统计分析的计数.
- 当前的工作流通常在正常化后执行特征选择,以识别高度可变基因 (HVGs).
研究的目的:
- 提出和验证一个修订的scRNA-seq分析工作流程,其中特征选择先于规范化.
- 引入一种用于识别稳定基因的新方法,以及基于残余的包容性变异稳定转换标准化方法.
主要方法:
- 提出了一种新的特征选择方法,在规范化之前应用于观察到的数量.
- 引入了一种新的规范化方法,结合差异稳定和基于残余的偏差减少,利用已识别的稳定基因.
- 拟议的工作流程在一个名为Piccolo的R包中实现.
主要成果:
- 修订后的工作流显示了下游集群分析的显著改进.
- 该方法成功地确定了高度可变的基因和稳定的基因.
- 通过利用稳定的基因,新型规范化方法有效地减少了系统偏见.
结论:
- 在规范化之前执行特征选择为scRNA-seq数据分析提供了更有效的方法.
- 拟议的Piccolo R包提供了这种新的工作流的强有力的实现.
- 这一修订后的策略提高了scRNA-seq数据的准确性和可解释性,特别是在聚类任务中.
