对高维细胞测量数据的封锁方法的全面评估和实践指南:手动封锁,无监督集群和自动封锁
Peng Liu1, Yuchen Pan2, Hung-Ching Chang1
1Department of Biostatistics, School of Public Health, University of Pittsburgh, 130 De Soto St., Pittsburgh, PA 15261, US.
Briefings in bioinformatics
|December 10, 2024
概括
这项研究比较了细胞计量数据分析方法,包括手动关门,无监督聚类和监督自动关门. 几个无监督工具,如PAC-MAN和监督方法,如DeepCyTOF显示了强大的性能细胞群体识别.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 细胞测量可以识别和量化单细胞分辨率蛋白质.
- 高维细胞测量数据分析需要基于标记表达的精确细胞群表型.
研究的目的:
- 对细胞计量数据进行量化审查和比较手动关门,无监督聚类和监督自动关门方法.
- 根据应用场景,为选择合适的表型化方法提供建议.
主要方法:
- 在研究人员之间评估手动门的一致性.
- 对23个无监督集群工具的精度和计算成本进行定量比较.
- 评估四个受监督的自动关口算法.
主要成果:
- 手动关门显示了评价者之间的变化.
- 没有监督的工具PAC-MAN,CCAST,FlowSOM,flowClust和DEPECHE表现出强的表现.
- 监督方法DeepCyTOF和CyTOF线性分类器取得了最好的结果.
结论:
- 没有一个单一的方法普遍优于其他方法.
- 特定的无监督和监督方法为细胞计量数据分析提供了强大的解决方案.
- 为生物学家提供了指导,以便他们为研究选择最佳的封闭策略.
