在scRNAseq密集的邻里分析中学者的影响

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 (scRNAseq) 可实现高分辨率的转录组分析.
• scRNAseq数据的特点是失业率很高,导致数据稀疏.
• 聚类方法通常假定数据稀疏性可以通过数量来克服,并且类似的细胞在空间上相邻.

研究的目的:

• 评估越来越多的退学率对受欢迎的scRNAseq分析管道产生的集群的同质性和稳定性的影响.
• 评估在稀疏的scRNAseq数据中检测密集的局部社区的可靠性.
• 挑战在高脱落scRNAseq数据集中可识别的本地社区的假设.

主要方法:

• 评估了集群的同质性和稳定性,在不同的退学率下.
• 利用一个流行的管道,包括维度减小和基于图形的集群,如Seurat和Scanpy所实现的那样.
• 在scRNAseq数据集上模拟增加中断率,以模仿现实世界的数据挑战.

主要成果:

• 默认的scRNAseq集群管道保持良好的集群同质性 (细胞类型的一致性),即使在脱落的增加.
• 集群稳定性 (细胞对的一致的共同集群) 随着退学率的上升而显著下降.
• 在细胞类型内可靠地识别不同亚种群的能力随着退学率的提高而减少.

结论:

• 集群的稳定性对于识别子群体至关重要,由于scRNAseq数据中的高退学率而受到损害.
• 目前的默认集群管道可能无法对稀疏的scRNAseq数据进行分析,因此需要谨慎解释.
• 需要进行基准测试和开发新的方法,这些方法对于scRNAseq数据中可靠的邻近分析具有可靠的脱落效应.