CHOIR 改进了从单细胞数据中基于显著性的细胞类型和细胞状态的检测
Cathrine Sant1,2, Lennart Mucke1,2,3, M Ryan Corces4,5,6,7
1Gladstone Institute of Neurological Disease, Gladstone Institutes, San Francisco, CA, USA.
Nature genetics
|April 8, 2025
概括
在单细胞数据中,CHOIR 通过随机森林和顺序测试来统计识别单细胞细胞群. 这种方法克服了现有工具的局限性,改善了复杂数据集中的细胞类型发现.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 单细胞基因组学 单细胞基因组学
背景情况:
- 聚类对于单细胞数据分析,细胞类型识别和状态发现至关重要.
- 现有的聚类工具往往缺乏统计推断,冒着过度或不足聚类和错误识别不同流行率的细胞群体的风险.
研究的目的:
- 引入CHOIR (通过代随机森林来优化集群层次),这是一个用于强大的细胞群体识别的新型统计框架.
- 解决单细胞数据分析中当前集群方法的局限性.
主要方法:
- CHOIR采用分层聚类树与随机森林分类器和排列测试相结合.
- 该框架对集群进行统计验证,以确保它们代表不同的生物种群.
- 基准测试涉及15种现有方法,涉及230个模拟和5个现实数据集 (scRNA-seq,ATAC-seq,空间转录组学,多组学).
主要成果:
- 在统计学上确定生物学上相关的细胞分组时,CHOIR表现出了卓越的表现.
- 该方法有效地处理具有广泛差异的患病率的细胞类型,这是其他工具面临的共同挑战.
- 广泛的基准测试证实了CHOIR在各种单细胞数据类型中的稳定性和可扩展性.
结论:
- 合唱团提供了一个统计严格和灵活的解决方案,用于在异质单细胞数据中发现细胞类型和状态.
- 该方法适用于任何单细胞数据模式,提高了细胞群体识别的可靠性.
