针对单细胞多omics预测和集成的基准分析算法
Yinlei Hu1,2,3, Siyuan Wan1,2,4, Yuanhanyu Luo5,6
1Department of Oncology, The First Affiliated Hospital of USTC, School of Basic Medical Sciences, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, China.
Nature methods
|September 25, 2024
概括
这项研究对32种用于单细胞多omics数据分析的算法进行了基准分析. totalVI和scArches擅长蛋白质预测,LS_Lab擅长染色质可访问性,Seurat,MOJITOO,scAI,totalVI和UINMF擅长整合.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 蛋白质组学是指蛋白质组学
背景情况:
- 单细胞多组技术提供了深刻的生物学见解.
- 有许多算法用于预测蛋白质/染色质数据和整合多omics数据集.
- 缺乏对这些算法的系统比较.
研究的目的:
- 为了对14种蛋白质丰度/染色质可访问性预测算法的性能进行基准测试.
- 为了评估18个单细胞多omics集成算法.
- 为选择最佳算法提供指导.
主要方法:
- 使用47个单细胞多omics数据集进行了基准研究.
- 评估了14个预测算法和18个整合算法.
- 使用全面的数据集进行严格的绩效评估.
主要成果:
- totalVI和scArches在蛋白质丰度预测方面表现出卓越的表现.
- LS_Lab 是用于染色体可访问性预测的顶级算法.
- 塞拉特,莫吉托,scAI在垂直整合方面领先;totalVI和UINMF在水平和马赛克整合方面表现出色.
结论:
- 确定了针对特定单细胞多omics任务的高性能算法.
- 开发了一个管道,以帮助研究人员进行算法选择.
- 这些发现有助于更有效地进行多主题数据分析.
