Нормализация и стабилизация дисперсии данных одноклеточного RNA-секвенирования с использованием регуляризованной отрицательно-биномиальной регрессии

Normalization and variance stabilization of single-cell RNA-seq data using regularized negative binomial regression
Rahul Satija, Christoph Hafemeister, Rahul Satija
2019-12-01

остатки Пирсонарегуляризованная отрицательно-биномиальная регрессияsctransformодноклеточное секвенирование РНКстабилизация дисперсии
Данные одноклеточного RNA-секвенирования (scRNA-seq) характеризуются значительной вариабельностью между клетками, обусловленной техническими факторами, включая число молекул, детектируемых в каждой клетке, что может смешивать биологическую гетерогенность с техническими эффектами. Для решения этой проблемы мы предлагаем модельный подход к нормализации и стабилизации дисперсии данных о числе молекул, полученных в экспериментах scRNA-seq. Мы показываем, что остатки Пирсона из регуляризованной отрицательно-биномиальной регрессии, в которой глубина секвенирования клетки используется в качестве ковариаты в обобщённой линейной модели, эффективно устраняют влияние технических характеристик на последующий анализ, сохраняя при этом биологическую гетерогенность. Важно отметить, что неограниченная отрицательно-биномиальная модель может переобучаться на данных scRNA-seq; эту проблему можно преодолеть путём объединения информации по генам с близкими уровнями экспрессии для получения стабильных оценок параметров. Предлагаемая процедура устраняет необходимость в эвристических этапах, включая добавление псевдосчёта или логарифмическое преобразование, и улучшает выполнение распространённых последующих аналитических задач, таких как отбор вариабельных генов, снижение размерности и анализ дифференциальной экспрессии. Подход применим к любому набору данных scRNA-seq на основе UMI и свободно доступен в составе R-пакета sctransform, обеспечивая прямой интерфейс с нашим инструментарием для анализа одиночных клеток Seurat.
1
Остатки Пирсона этой модели уменьшают технические эффекты, сохраняя биологически значимую межклеточную неоднородность.
2
Объединение информации между генами со схожей экспрессией предотвращает переобучение и обеспечивает более стабильные оценки параметров по сравнению с неограниченной отрицательно-биномиальной моделью.
3
Регуляризованная отрицательно-биномиальная регрессия использует глубину секвенирования клетки как ковариату для нормализации UMI-данных scRNA-seq и стабилизации их дисперсии.
4
Метод не требует эвристического добавления псевдосчёта и логарифмического преобразования, одновременно улучшая отбор вариабельных генов, снижение размерности и дифференциальную экспрессию.
5
Процедура применима к любым UMI-данным scRNA-seq и реализована в свободно доступном R-пакете sctransform с интеграцией в Seurat.

Данные о молекулярных счётах UMI-секвенирования РНК отдельных клеток

Нормализация и стабилизация дисперсии счётов scRNA-seq посредством устранения технической вариации, связанной с глубиной секвенирования, при сохранении биологической гетерогенности

Publication Details
Publication Date
2019-12-01
Journal
Publisher
ISSN
Cited by
4884
Access Type
Author Information
Authors
Rahul Satija
Christoph Hafemeister
Rahul Satija
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%