整合单细胞RNA-seq数据集与大量批量效应
Karin Hrovatin1,2,3,4, Amir Ali Moinfar1,5, Luke Zappia1,5
1Institute of Computational Biology, Helmholtz Zentrum München, Neuherberg, Germany.
BMC genomics
|October 31, 2025
概括
我们介绍了sysVI,这是一种用于协调单细胞RNA测序 (scRNA-seq) 数据的新型计算方法. sysVI有效地整合了跨物种和协议的多样化数据集,保留了关键的生物信号,以便更好地分析细胞状态.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 数据集成对于可靠的分析至关重要.
- 目前的方法面临的挑战是协调跨不同物种,有机体,初级组织和scRNA-seq协议 (例如单细胞与单核) 的数据集.
- 现有的有条件变异自编码器 (cVAE) 批次校正策略存在局限性,例如无效的规范化或通过对抗性学习去除生物信号.
研究的目的:
- 为scRNA-seq数据集成开发一种改进的计算方法.
- 为解决基于cVAE的方法当前批量校正策略的局限性.
- 为了提高生物信号在集成scRNA-seq数据集中的保存和解释.
主要方法:
- 提出了基于cVAE的集成方法sysVI.
- 在cVAE框架内使用VampPrior和循环一致性约束.
- 评估了sysVI在协调多种scRNA-seq数据集方面的表现.
主要成果:
- sysVI成功地将scRNA-seq数据集集集成到不同的系统 (物种,有机体,组织) 中.
- 该方法改善了集成数据中的生物信号.
- 增强的生物信号有助于下游解释细胞状态和条件.
结论:
- sysVI为协调异质scRNA-seq数据提供了一个强大的解决方案.
- 该方法克服了现有的集成技术的局限性.
- sysVI增强了scRNA-seq数据对生物发现的有用性.
关键词:
对抗式学习是对抗性的学习.基准评价 (benchmarking) 是一种比较的方法.数据整合数据集成KL正规化强度是KL的正规化强度.隐性周期一致性 隐性周期一致性单细胞RNA测序 (scRNA-seq) 是一种吸血鬼 之前 之前更多相关视频
07:12Author Spotlight: Enhancing Drug Discovery - Development of Automated, Standardized Protocols for Nuclei Extraction from Frozen Tissues
Published on: July 28, 2023
5.0K
05:07Rup (RNA-seq Usability Assessment Pipeline) - Quality Control for Bulk RNA-seq Experiments in Eukaryotes
Published on: November 7, 2025
326
