半参数实证贝叶斯方法用于在snATAC-seq中多重检测,具有概率的多原子集成
Yuntian Wu1, Haoran Hu2, Wei Chen2
1Department of Biostatistics, University of Michigan, Ann Arbor, MI 48109, USA.
塞布拉可以准确地检测单核ATAC-seq数据中的多重组,从而改善单细胞分析. 这种新方法集成了多模式数据,用于强大的多重标识和错误发现率控制.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 复合,即多个细胞被捕获在一个单一的滴滴中,创建混合分子配置文件,使单细胞分析复杂化.
- 在单核ATAC-seq (snATAC-seq) 数据中检测多重体是很困难的,这是由于稀疏和过度分散的染色质可访问性测量.
研究的目的:
- 介绍SEBULA,一种新的半参数实证贝叶斯模型,用于在snATAC-seq数据中准确的多重检测.
- 为了实现多重识别中的原则性错误发现率控制.
- 整合多模式数据,包括scRNA-seq,以增强多重检测.
主要方法:
- 开发SEBULA,一个半参数实证贝叶斯模型.
- 使用精确校准的后方概率来进行多重检测.
- 将概率证据与来自其他数据模式 (例如,scRNA-seq) 的补充信号集成.
主要成果:
- 塞布拉为多重检测提供了精心校准的后方概率.
- 该模型允许对错误发现率进行原则控制.
- 基于模拟和7个注释的三模态DOGMA-seq数据集的基准测试证实了SEBULA的卓越性能.
- 开源的SEBULA软件在计算上非常高效.
结论:
- 塞布拉有效地解决了在snATAC-seq数据中多重检测的挑战.
- 该模型通过准确识别和控制多个单细胞分析来提高单细胞分析的可靠性.
- 塞布拉为多重检测提供了一个计算效率高和强大的解决方案,在多模式单细胞研究中具有潜在的应用.
更多相关视频
05:53Candidate Gene Testing in Clinical Cohort Studies with Multiplexed Genotyping and Mass Spectrometry
Published on: June 21, 2018
10:44Low-input Nucleus Isolation and Multiplexing with Barcoded Antibodies of Mouse Sympathetic Ganglia for Single-nucleus RNA Sequencing
Published on: March 23, 2022
相关概念视频
¹H NMR Signal Multiplicity: Splitting Patterns
Interpreting ¹H NMR Signal Splitting: The (n + 1) Rule
Tandem Mass Spectrometry
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
