使用性别依赖的基因表达模式,对聚合的snRNA-seq精确的样本解卷
Guy M Twa1, Robert A Phillips1,2, Nathaniel J Robinson1
1Department of Neurobiology, University of Alabama at Birmingham, Birmingham, AL 35294, USA.
bioRxiv : the preprint server for biology
|December 16, 2024
概括
这项研究表明,通过分析基因表达,机器学习可以在聚合的单核RNA测序 (snRNA-seq) 数据中识别细胞的性别. 这种方法准确地解剖样本身份,降低成本并增加遗传研究的数据吞吐量.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 神经科学是一个神经科学.
背景情况:
- 单核RNA测序 (snRNA-seq) 提供了高分辨率的基因表达数据.
- 目前的snRNA-seq方法通常需要将样本组合在一起,丢失单个样本数据并增加成本.
- 开发方法来解构聚合数据对于最大限度地提高吞吐量和分析能力至关重要.
研究的目的:
- 为了证明取决于性别的基因表达模式可以用来解聚合的snRNA-seq数据.
- 训练和评估机器学习模型,用于在聚合样本中进行细胞性别分类.
- 评估这些模型在不同大脑区域的通用性.
主要方法:
- 利用以前发表的snRNA-seq数据集,从老鼠腹部 tegmental 区域和核 accumbens.
- 训练有素的机器学习模型根据雄性和雌性大鼠之间差异表达的基因对细胞性别进行分类.
- 使用性依赖基因与仅使用性染色体基因的模型的性能比较.
主要成果:
- 机器学习模型使用性别依赖的基因表达精确预测了细胞性别 (准确率为90-92%).
- 这些模型的表现明显优于仅使用性染色体基因表达的模型 (69-89%的准确性).
- 模型显示了高精度 (89-90%) 和一般化到不同的大脑区域 (核心 accumbens) 没有重新训练.
结论:
- 取决于性别的基因表达是一种可行的特征,用于解构聚合的snRNA-seq数据.
- 机器学习方法可以有效地识别细胞性别,使样本解卷成为可能.
- 这一策略支持使用聚合样本进行具有成本效益,高通量 snRNA-seq 研究.
