在单细胞数据中进行复杂的层次结构分析,采用波因卡雷深层多重变换
Yongjie Xu1,2, Zelin Zang1,2, Bozhen Hu1,2
1School of Information Science & Electronic Engineering, Zhejiang University, No. 866 Yuhangtang Road, 310058 Zhejiang, P.R. China.
Briefings in bioinformatics
|January 24, 2025
概括
波因卡雷深层多重变换 (PoincaréDMT) 通过将数据映射到超标空间来增强单细胞RNA测序分析. 这种方法改善了轨迹推断,批量校正和标记基因识别,以更好地了解细胞过程.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 数据科学数据科学数据科学
背景情况:
- 单细胞RNA测序 (scRNA-seq) 提供高分辨率的细胞数据.
- 当前的维度缩小方法与复杂的细胞轨迹和数据扭曲作斗争.
- 对scRNA-seq数据的有效可视化和解释仍然具有挑战性.
研究的目的:
- 为改进scRNA-seq数据分析引入Poincaré深层多重变换 (PoincaréDMT).
- 解决现有的嵌入方法中结构保护和扭曲的局限性.
- 为轨迹推断,批量校正和标记基因选择提供统一的框架.
主要方法:
- 将高维scRNA-seq数据映射到一个过度波因卡雷盘.
- 使用拉普拉斯图来保护全局结构,并使用结构模块来增强数据以进行局部校正.
- 在网络培训期间整合一个批量图表以减轻批量效应.
- 采用沙普利的添加式解释来识别标记基因.
主要成果:
- 在scRNA-seq数据集中,PoincaréDMT有效地保留了全球和本地数据结构.
- 与现有方法相比,在轨迹推断,伪时间推断和批次校正方面表现出卓越的性能.
- 成功识别了重要的标记基因,这些基因对细胞分化过程至关重要.
结论:
- 卡雷DMT为关键的scRNA-seq分析任务提供了一个强大的和统一的框架.
- 超标嵌入方法显著提高了复杂的细胞动态的解释.
- 通过对模拟和真实世界scRNA-seq数据的广泛实验进行验证,展示了其有效性.
