在单细胞RNA测序数据中,深度学习驱动的细胞类型标签转移协议

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 单细胞RNA测序 (scRNA-seq) 生成的高维数据对于理解细胞异质性至关重要.
• 准确的细胞类型注释是scRNA-seq数据分析的一个基本挑战.
• 转移细胞类型标签可以加速分析,并使跨数据集的比较.

研究的目的:

• 为在scRNA-seq数据中使用SIMS进行细胞类型标签转移提供一个标准化的协议.
• 为数据准备,模型训练和预测解释提供一个用户友好的框架.
• 为了促进用于scRNA-seq分析的先进机器学习工具的可访问性.

主要方法:

• 开发SIMS的协议,SIMS是一个用于单细胞数据的机器学习框架.
• 数据准备的步骤说明,包括处理和预处理.
• 使用标记数据集的模型训练或使用预先训练的模型推断用于细胞类型注释.

主要成果:

• 一个全面的协议,详细说明SIMS用于细胞类型标签转移的应用.
• 可视化,下载和解释预测的细胞类型标签的方法.
• 通过API,GitHub代码空间和Web应用程序展示SIMS的可访问性.

结论:

• 该SIMS协议为scRNA-seq数据中的细胞类型注释提供了一个强大的和可访问的方法.
• 这种方法提高了机器学习在单细胞基因组学中的可解释性和可扩展性.
• 提供的资源使研究人员能够有效地转移细胞类型标签,并推进生物见解.