ICode9

精准搜索请尝试: 精确搜索
首页 > 编程语言> 文章详细

文献分析 基于监督学习的细胞类型注释策略 Evaluation of some aspects in supervised cell type identification for single-ce

2022-08-02 23:34:36  阅读:52  来源: 互联网

标签:selection tar reference effect cell brain 10X cortex Mouse


原文pdf连接     摘要    
  Progress Challenge Demand
Background      
     
Solve   What How Effect
通过实际数据分析评估不同的策略组合 参考数据的影响以及参考数据的处理策略 提供了使用监督细胞分型方法的指南和经验法则
Result   Study design   Methods under comparison 3种现成的:random forest, SVM with linear kernel, and SVM with radial basis function kernel 2种基于scRNA相关性的方法: scmap and CHETAH 2种监督深度学习方法:multi-layer perceptron (MLP) and graph-embedded deep neural network (GEDFN) 2种半监督深度学习:ItClust with transfer-learning and MARS with meta-learning concepts   虽然还有其他方法,但基于已有的研究,SVM with rejection, scmap, and CHEAH是他们中最好的 纳入GEDFN方法是为了研究基因网络信息是否有帮助 ItClust 只是用ref数据得到非监督聚类的参考值
Feature selection methods 关键是很多基因不是类型特异的,应该去除 3中非监督变量选择:Seurat, FEAST, F-test   不选择 在ref中选择,在tar中选择 在ref中不选择,在tar中选择 在ref中选择,在tar中不选择
Datasets 人PBMC 10X lupus patients 10X,Smart-seq2,CEL-seq2 pbmc1 fresh 10X,Smart-seq2,CEL-seq2 pbmc2 fresh 人胰腺 3个 小鼠脑 Drop-seq frontal cortex “Mouse brain FC” Drop-seq hippocampus regions “Mouse brain HC” 10X prefrontal cortex region  “Mouse brain pFC” DroNc-seq cortex samples “Mouse brain cortex” 10X frontal cortex regions s “Mouse brain Allen”   经过分选的人PBMC数据   ref和tar来自不同的平台会怎样? ref和tar来自不同的样本状态会怎样? 来自不同的实验室? 来自不同的组织区域? 来自不同的生理状态?   研究:整合多个数据是否提高性能? 研究:去除噪声细胞是否提升性能?  
Evaluation metrics Accuracy:正确注释的在全体细胞中占比 Adjusted Rand Index:聚类相似性 Macro F1:只用于在细胞类型比例不平衡时评估recall rate 运行时间

Summary of the study design

F-test on reference datasets + MLP

特征选择和MLP的组合

Impact of the reference data size 基于学习的方法细胞数越多排名越高(MLP,SVM)
Impact of number of cell types 一个组织中有少数主要类型,有许多子类,子类的比较相似,不好区分
Impact of cell type annotations 上述注释结果来自marker,现在以分选数据作为金标准  
Impact of data preprocessing 评估去除batch效应或者数据插补带来的影响   先评估三种插补方法:没有明显提升,结论为不必要 在评估batch效应去除:Harmony  and fastMNN 批量效应不会影响预测性能,可能不需要校正,我们直接将数据集连接起来进行以下分析。  
Drop-seq frontal cortex “Mouse brain FC” Drop-seq hippocampus regions “Mouse brain HC” 10X prefrontal cortex region  “Mouse brain pFC” DroNc-seq cortex samples “Mouse brain cortex” 10X frontal cortex regions s “Mouse brain Allen”   Condition effect 个体差异:不同样本的差异 条件差异:技术差异   Comparing individual effect(只有样本不同), region effect, and dataset effect in mouse brain data 将tar数据固定为“Mouse brain FC” individual effect : 相同数据来源“Mouse brain FC” biological effect(区域效应):“Mouse brain HC” dataset effect:“Mouse brain cortex”和“Mouse brain pFC”   Comparing batch effect and clinical difference in Human PBMC 选择疾病的“Human PBMC lupus”作为tar数据 individual effect:同批次不同个体 batch effect:不同批次 clinical difference:不同批次不同生理状态(不同处理) 人数据差是因为包括了子类,子类多信号弱  
 
 
 
 
Conclusion& Discussion  
Method  
   

标签:selection,tar,reference,effect,cell,brain,10X,cortex,Mouse
来源: https://www.cnblogs.com/listen2099/p/16545246.html

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有