整合单细胞和单核数据集可以改善大量的RNA序列解卷
Adriana Ivich1, Casey S Greene1
1Department of Biomedical Informatics, University of Colorado Anschutz Medical Campus, Aurora, CO, USA.
bioRxiv : the preprint server for biology
|September 2, 2025
概括
整合单核RNA测序 (snRNA-seq) 与单细胞RNA测序 (scRNA-seq) 进行大量RNA测序解卷可以提高准确性. 过交叉模式差异表达基因 (DEGs) 是最有效的策略,增强细胞类型解.
科学领域:
- 计算生物学
- 基因组学
- 生物信息学
背景情况:
- 大量RNA测序 (RNA-seq) 解卷通常依赖于单细胞RNA测序 (scRNA-seq) 的引用.
- 一些细胞类型仅通过单核RNA测序 (snRNA-seq) 检测,但由于仅核转录捕获,其直接作为参考可以降低解卷精度.
研究的目的:
- 系统地对集成snRNA-seq和scRNA-seq数据的策略进行基准测试,以实现大量RNA-seq解卷.
- 确定最佳的基因过和转换方法,使snRNA-seq引用与scRNA-seq数据协调一致.
主要方法:
- 基于主要成分的转移,变异性自编码器 (scVI) 和差异性基因表达 (DEG) 过.
- 在四种不同的组织中比较方法,并将性能与scRNA-seq-only引用进行比较.
- 使用真实脂肪体样本评估强度,没有地面真相.
主要成果:
- 与未转换的snRNA-seq相比,所有测试方法都提高了解卷精度.
- 过一致的交叉模式DEG产生了最大的性能增长,通常与仅scRNA-seq的引用相匹配或超过.
- 有条件的scVI表现相似,在没有匹配的细胞类型时证明有效.
结论:
- 当可用时,优先考虑scRNA-seq作为散装RNA解卷的主要参考.
- 为了提高准确性,在过交叉模式的DEG后整合snRNA-seq数据.
- 有条件的scVI可以作为较少特征的系统的实用替代方案,在解卷过程中实现接近scRNA-seq的准确性.
