使用漂移岛屿评估的细胞嵌入指标的限制

科学领域:

• 计算生物学是一种计算生物学.
• 单细胞基因组学 单细胞基因组学
• 生物信息学是一种生物信息学.

背景情况:

• 单细胞数据分析依赖于嵌入来表示复杂的生物信息.
• 评估这些嵌入的质量至关重要,但仍然是一个重大挑战.
• 现有的评估指标可能无法完全捕捉嵌入式内生物结构的忠实性.

研究的目的:

• 评估当前嵌入评估指标的性能.
• 推出一种新的深度学习模型,Islander,用于单细胞嵌入.
• 开发一个新的指标,scGraph,用于评估嵌入质量和检测扭曲.

主要方法:

• 训练了一个名为Islander的三层感知子模型.
• 在各种细胞图谱上对领先的嵌入方法进行了评估.
• 开发并应用scGraph度量来识别嵌入物中的生物结构的扭曲.

主要成果:

• 与现有的嵌入方法相比,Islander在各种细胞图谱中表现出优异的性能.
• 观察到,Islander扭曲了关键的生物结构,限制了它的发现效用.
• scGraph指标有效地标记了这些扭曲,表明了其对质量控制的潜力.

结论:

• 目前对单细胞嵌入的评估指标是不够的.
• 虽然Islander在嵌入任务方面表现出色,但其对生物数据的扭曲需要仔细的质量评估.
• scGraph指标为确保单细胞嵌入的生物相关性提供了一个有价值的工具.