面向scRNA-seq数据插值的混合计算智能框架: 集成scRecover与随机森林
机器学习
2025-11-24 v1 基因组学
摘要
单细胞RNA测序(scRNA-seq)实现了细胞分辨率的转录组谱 profiling, 但因普遍存在的dropout事件掩盖了生物信号. 我们提出SCR-MF, 一个模块化的两阶段工作流程, 将基于scRecover的原则性dropout检测与基于missForest的稳健非参数插值相结合. 在公共数据集和模拟数据上, SCR-MF在大多数情况下实现了稳健且可解释的性能, 相当于或优于现有插值方法, 同时保持生物学忠实性和透明性. 运行时间分析表明, SCR-MF在准确性与计算效率之间提供了具竞争力的平衡, 适用于中等规模的单细胞数据集.
引用
@article{arxiv.2511.16923,
title = {A Hybrid Computational Intelligence Framework for scRNA-seq Imputation: Integrating scRecover and Random Forests},
author = {Ali Anaissi and Deshao Liu and Yuanzhe Jia and Weidong Huang and Widad Alyassine and Junaid Akram},
journal= {arXiv preprint arXiv:2511.16923},
year = {2025}
}