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
2019-12-01
SCID: 54.1/ma39x9ay
Discuss with AI
остатки Пирсонарегуляризованная отрицательно-биномиальная регрессияsctransformодноклеточное секвенирование РНКстабилизация дисперсии
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Данные о молекулярных счётах UMI-секвенирования РНК отдельных клеток
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Умеренная оценка изменения кратности и дисперсии для данных RNA-seq с помощью DESeq22014
edgeR: пакет Bioconductor для анализа дифференциальной экспрессии данных цифровой экспрессии генов2009
voom: Точностные веса открывают доступ к инструментам анализа на основе линейных моделей для счётных данных RNA-seq2014
Анализ дифференциальной экспрессии в многофакторных экспериментах RNA-Seq с учетом биологической вариабельности2012
Работы, цитирующие эту статью8
Введение в пространственную транскриптомику для биомедицинских исследований2022
Пространственная мультиомная карта инфаркта миокарда человека2022
Атлас корня Arabidopsis на уровне отдельных клеток выявляет траектории развития у растений дикого типа и мутантов с нарушениями клеточной идентичности2022
Сравнительный атлас доступности хроматина на одиночных клетках человеческого мозга2023
Четырёхмерная молекулярная карта пространственной «снимки», раскрывающая динамику органогенеза волосяного фолликула2026
Пространственно-временной контроль идентичности миобластов определяет разнообразие мышц в ноге Drosophila2026
Ресурсы одноядерной транскриптомики для отслеживания нейрогенеза и спецификации клеточной судьбы в эмбрионах морского ежа2026
Одноклеточный атлас выявляет корреляты высоких когнитивных функций, деменции и устойчивости к патологии болезни Альцгеймера2023