在现实世界中的半监督scRNA-seq集成方法的基准

科学领域:

• 单细胞基因组学
• 计算生物学
• 生物信息学

背景情况:

• 单细胞RNA测序 (scRNA-seq) 整合旨在纠正批量效应并保存生物信号.
• 半监督方法利用细胞类型标签来潜在地提高集成性能.
• 之前的研究通常在理想化的环境中评估这些方法,而不是反映现实数据的缺陷.

研究的目的:

• 系统地对领先的半监督scRNA-seq集成方法进行比较.
• 通过各种数据集和现实的注释场景,与未经监督的基线进行性能比较.
• 评估半监督方法的稳定性和实用性.

主要方法:

• 评估了五种半监督方法 (scANVI,scGEN,ssSTACAS,scDREAMER,ItClust) 和五种无监督基线.
• 使用了六个不同的scRNA-seq数据集.
• 在五个现实的标签场景中评估性能:缺失,错误,边界缺失/混合,批量特定和自动生成.
• 采用了九个已建立的整合指标.

主要成果:

• 半监督方法仅在完美的细胞类型注释中显示出改进.
• 在现实的标签缺陷下,性能显著下降.
• 在某些情景中,scANVI和ssSTACAS与无监督方法相比表现出适度且稳定的改善.
• 没有一个半监督的方法始终优于最好的无监督基线 (scCRAFT).

结论:

• 目前的半监督scRNA-seq集成策略在非理想的环境中提供有限的实际优势.
• 选择整合方法仍然至关重要,特别是当标签质量不确定时.
• 需要进一步开发以提高半监督集成方法的实践应用的稳定性.