通过CCP辅助的UMAP和tsNE分析scRNA-seq数据

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:

• 单细胞RNA测序 (scRNA-seq) 揭示了细胞异质性,这对于理解细胞通信,分化和基因表达至关重要.
• 分析scRNA-seq数据存在由于稀疏性和高维度的挑战,需要有效的维度减少和特征选择.
• 相关聚类和投影 (CCP) 是一种用于scRNA-seq数据的新预处理方法,利用基因-基因相关性和细胞-细胞相互作用.

研究的目的:

• 评估相关聚类和投影 (CCP) 作为缩小维度技术的初始化工具的有效性.
• 评估CPC对统一多重近似和投影 (UMAP) 和t分布式随机邻近嵌入 (tSNE) 的可视化和准确性的影响.
• 为了证明CCP在各种scRNA-seq数据集中的通用性.

主要方法:

• 使用相关聚类和投影 (CCP) 来预处理scRNA-seq数据.
• 应用CCP作为统一多重近似和投影 (UMAP) 和t分布式随机邻近嵌入 (tSNE) 的初始化策略.
• 使用21个公开可用的scRNA-seq数据集验证了该方法.

主要成果:

• CCP显著提高了UMAP和sNE的可视化质量.
• 央行大幅提高了UMAP和tsne的准确性,在调整的兰德指数 (ARI),规范化的互惠信息 (NMI) 和基于效率的集群指标 (ECM) 中取得了显著的收益.
• 具体来说,CCP在ARI方面提高了UMAP的22%,在NMI方面提高了14%,在ECM方面提高了15%,在ARI方面提高了11%,在NMI方面提高了9%,在ECM方面提高了8%.

结论:

• 相关聚类和投影 (CCP) 是用于scRNA-seq数据的有效数据域预处理方法.
• 中央交易所初始化大大提高了UMAP和SNE在scRNA-seq数据分析中的性能.
• 这些发现突显了CCP在单细胞基因组学下游机器学习任务的增强潜力.