CPARI:一种新的方法,将细胞分割与绝对和相对归算相结合,以解决单细胞RNA-seq数据中脱落的问题
Yi Zhang1,2, Yin Wang1,2, Xinyuan Liu1,2
1School of Computer Science and Engineering, Guilin University of Technology, 12 Jiangan Road, Qixing District, Guilin 541004, China.
Briefings in bioinformatics
|December 23, 2024
概括
在单细胞RNA测序 (scRNA-seq) 中,CPARI通过将细胞分区与新型绝对和相对归算方法相结合,有效地归入缺失的基因表达数据. 这种方法可以准确地区分掉队零和生物零,改进数据分析.
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) 数据分析受到技术"掉落零" (虚假零) 的挑战.
- 这些退出源于诸如浅层测序深度和低效的mRNA捕获等局限性.
- 准确的归算对于可靠的scRNA-seq数据解释至关重要.
研究的目的:
- 引入CPARI,用于scRNA-seq数据的新型归算模型.
- 通过细胞分区和先进的归算技术的结合,解决掉队零的挑战.
- 为了提高scRNA-seq数据分析的准确性和可靠性.
主要方法:
- CPARI利用了一种新的基因选择方法和基于C-mean模糊集群的区块链技术进行细胞分区.
- 层次聚类完善了细胞分区,随后是脱落事件识别.
- 在每个单元区内训练了一个自动编码器来重建数据,使用绝对和相对归算技术.
主要成果:
- 与12个最先进的模型相比,CPARI在模拟和真实scRNA-seq数据集上展示了优越的归算性能.
- 废弃实验验证了细胞分裂和相对归算组件的重要性.
- CPARI有效地区分了生物零和退出零,最大限度地减少了假阳性,最大限度地提高了归算准确性.
结论:
- CPARI为scRNA-seq数据归算提供了一个强大而准确的解决方案,解决了脱落零的关键问题.
- 该模型能够保持全球一致性和局部变异的能力,增强了下游分析,如差异表达和细胞聚类.
- CPARI代表了scRNA-seq数据解密和分析的重大进步.
