从单细胞数据中预测抗体-抗原特异性的噪声识别的负二项式混合模型
Perry T Wasdin1,2,3, Alexandra A Abu-Shmais3,4, Michael W Irvin5
1Program in Chemical and Physical Biology, Vanderbilt University Medical Center, Nashville, TN, 37232, United States.
Bioinformatics advances
|December 11, 2024
概括
我们开发了一种新方法来从LIBRA-seq数据中去除噪声,提高了鉴定抗原特异性B细胞和抗体的准确性. 这增强了抗体发现和机器学习应用.
科学领域:
- 免疫学 免疫学 免疫学
- 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:
- LIBRA-seq (通过测序将B细胞受体与抗原特异性联系起来) 是分析B细胞受体和识别抗原特异性抗体的关键技术.
- 准确识别抗原特异性B细胞对于抗体发现和机器学习至关重要,但由于测序数据中的技术噪音而受到阻碍.
研究的目的:
- 开发和验证一种新的方法来消除LIBRA-seq数据,以提高抗原特异性B细胞识别的准确性.
- 为了提高抗体-抗原结合预测下游应用的可靠性.
主要方法:
- 使用负二项混合模型将抗原计数聚合到信号和噪声组件中.
- 该方法应用于一个大型的,多个捐赠者的LIBRA-seq数据集,以识别技术噪音.
- 拒绝的方法在9个有不同数据特征的捐赠者中得到了验证.
主要成果:
- 与标准评分方法相比,开发的无色化方法显著改善了体外抗体与抗原结合的预测.
- 该方法在各种LIBRA-seq数据集中表现出有效性,无论数据大小或噪声结构如何.
- 该方法提供了一种数据驱动的手段,用于识别单细胞B细胞受体测序中的技术噪声.
结论:
- 这种降噪技术增强了LIBRA-seq用于识别抗原特异性B细胞的实用性.
- 改进的数据质量支持更可靠的基于机器学习的抗体发现管道.
- 数据和代码的可用性有助于更广泛地采用和进一步开发消毒策略.
