HiDDEN:一种机器学习方法,用于检测病例控制单细胞转录组学数据中的疾病相关群体
Aleksandrina Goeva1, Michael-John Dolan2, Judy Luu2
1Broad Institute of Massachusetts Institute of Technology and Harvard, Cambridge, MA, USA. aleksandrina.goeva@utoronto.ca.
Nature communications
|November 2, 2024
概括
标准的单细胞RNA-seq分析错误识别了受影响的细胞. 一种新的方法,HiDDEN (隐藏),精确地细化细胞标签,以检测细微的生物信号在病例对照研究.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 免疫学 免疫学 免疫学
背景情况:
- 病例控制单细胞RNA-seq研究经常错误地将病例样本中的所有细胞标记为受干扰的.
- 这种标准方法无法识别受影响细胞的微妙或小子集及其特定标记物.
研究的目的:
- 介绍HiDDEN,一种新的计算方法,用于在病例控制单细胞RNA-seq数据中改进细胞特异标签.
- 为了证明HiDDEN在准确识别扰乱细胞和传统方法遗漏的生物信号方面的能力.
主要方法:
- 使用模拟来评估标准分析与HiDDEN的性能.
- HiDDEN应用于来自人类多发性骨髓瘤前体条件和脱髓化小鼠模型的数据集.
主要成果:
- 在模拟数据集中,HiDDEN成功地恢复了微妙的生物信号.
- 在人类多发性骨髓瘤中,HiDDEN发现了最初分析错过的早期恶性瘤.
- 在小鼠脱髓化模型中,HiDDEN确定了一个内皮细胞亚群参与血脑屏障功能障碍.
结论:
- 对于检测微妙的转录变化,HiDDEN提供了比标准单细胞分析更好的方法.
- 该方法精确地改进了细胞标签,改善了对受影响细胞的识别和在各种研究环境中的生物见解.
