单细胞转录组的无监督多层次聚类,以确定细胞亚型的层次结构
Won-Min Song1,2, Chen Ming3, Christian V Forst1,2,4
1Department of Genetics and Genomic Sciences, Icahn School of Medicine at Mount Sinai, One Gustave L. Levy Place, New York, NY 10029, USA.
Research square
|January 7, 2025
概括
本研究引入了用于分析单细胞RNA测序 (scRNA-seq) 数据的多规模聚类 (MSC). MSC有效地在多个分辨率上识别新型细胞类型和亚型,改进了复杂生物系统的现有方法.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 对于理解细胞异质性至关重要.
- 目前的细胞聚类方法很难以精细的分辨率来解决复杂的细胞结构.
- 识别新型细胞类型和亚型对于生物学发现至关重要.
研究的目的:
- 为scRNA-seq数据分析开发一种新的多规模聚类 (MSC) 方法.
- 通过多尺度分辨率以无监督的方式识别细胞类型和亚型.
- 为了改善复杂的细胞景观的剖析.
主要方法:
- 开发了一种多规模集群 (MSC) 方法.
- 构建了一个稀疏的细胞-细胞相关联网络.
- 将MSC应用于模拟,标准和现实世界的scRNA-seq疾病数据.
主要成果:
- 与已建立的基准方法相比,MSC表现优越.
- 这种方法成功地确定了生物学上有意义的细胞层次结构.
- MSC促进了新型疾病相关细胞亚型和机制的发现.
结论:
- 在scRNA-seq数据中发现无监督细胞类型和亚型的MSC是一个强大的工具.
- 该方法提高了细胞景观分析的分辨率.
- 通过详细的细胞亚型识别,MSC有助于发现新型疾病机制.
