栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > 资讯 > 高等教育 > 考研政策

单细胞测序

单细胞测序

2021年8月10日,深圳华大生命科学研究院精准健康研究所智能算法团队在知名学术期刊《遗传学前沿》(Frontiers in Genetics)在线发表了题为《深度MNN:基于深度学习的单细胞RNA测序数据批量校正利用》的论文。g相互最近邻”,提出了一种基于深度学习模型的单细胞RNA测序数据批量效应校正新方法deepMNN。遗传学官网前沿截图高通量单细胞RNA测序技术的快速发展,产生了大量的scRNA-seq数据。充分利用和整合不同数据集进行大规模单细胞转录组数据挖掘,可以为细胞异质性及其进化动力学提供更多新的见解。然而,不同的scRNA-seq数据可能在不同的时间和测序平台产生,这些数据之间不可避免地存在技术或生物学上不显著差异的批量效应。目前已经提出了很多针对scRNA-seq数据的批量效应校正算法,但是大多数都需要大量的内存和时间,并且这种需求会随着scRNA-seq数据的增多而进一步加剧。研究团队设计开发了基于深度学习模型的deepMNN方法,用于修正scRNA-seq数据的批量效应。通过主成分分析对deepMNN进行降维,在其sub 空中计算批次间的MNN对,进而构建基于深度残差网络的深度学习模型,消除批次效应。MNN通过自己独特的损失函数指导其模型学习,从而消除了scRNA-seq数据之间的批量效应。DeepMNN框架。(A)批量校正网络中A)deepMNN,(b)残差模块的工作流程图。为了评估deepMNN的批次效应校正效率,本文使用了scRNA-seq数据集的四种不同批次场景,包括(a)具有相同细胞类型的两个批次,(b)具有不同细胞类型的两个批次(即批次特异性数据),(c)多个批次数据集,以及(d)大规模数据集。本文使用四个不同批次的scRNA-seq数据,在四种不同场景下,将deepMNN与常用的批次效应校正算法(Harmony、Scanorama和Seurat V4)和已发表的基于深度学习的批次效应校正方法(MMD-雷斯网和scGen)进行比较。实验结果表明,与其他校正方法相比,deepMNN不仅在定性指标(UMAP可视化结果)和定量指标(批次和细胞熵、ARI F1评分和ASW F1评分)上取得了更好或相当的性能,而且在处理大数据时在计算时间上也具有很大的优势。在“细胞类型相同的两个批次”场景下,deepMNN与其他常用批次效应校正算法的定性和定量比较结果值得关注。对于多批数据,目前常见的批效应校正算法如Scanorama和Seurat V4一次只合并两个数据集,通过迭代完成多个数据集的整合。DeepMNN是第一个已知的可以在一个步骤中整合多批scRNA-seq数据的方法。对于大规模数据集HCA(总计528014个单元格)中的批量效应校正,由于Seurat V4和scGen因为超过64G内存限制而无法运行,deepMNN在这个大规模数据集上完成批量效应校正需要17分钟,而Harmony和Scanorama分别需要35分钟和77分钟左右。大规模数据集的HCA场景下deepMNN与其他常用批量效应校正算法的定性比较。总之,本文基于深度学习模型,提出了一种新的单细胞RNA测序数据批量效应校正方法deepMNN,比现有常用方法更准确。特别是在大规模数据集的情况下,deepMNN算法具有优异的时间复杂度和空复杂度。同时,deepMNN可以一步整合多批数据集,无需多次迭代。作者中,周瑞龙、蒋晓森为华大研究生,张通达为华大研究生,华大导师白永博士、金鑫研究员为论文合著者。

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/news/1672470.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号