单细胞RNA测序数据的贝叶斯伽马-负二项建模
应用统计
2019-08-05 v1
摘要
背景：单细胞RNA测序（scRNA-seq）是一种在单细胞分辨率下的强大分析技术。对scRNA-seq数据的适当分析可以表征分子异质性，并揭示潜在的细胞过程，从而更好地理解发育和疾病机制。独特的分析挑战在于对高度过度离散且存在普遍缺失（零计数）的scRNA-seq计数数据进行适当建模，这使得零膨胀降维技术在scRNA-seq数据分析中颇为流行。然而，采用零膨胀分布可能会过度强调零计数，在识别数据的潜在结构时导致潜在偏差。结果：本文提出了一种完全生成的层次伽马-负二项（hGNB）模型用于scRNA-seq数据，无需显式地对零膨胀进行建模。同时，hGNB可以自然地考虑基因和细胞层面的协变量效应，以识别scRNA-seq数据的复杂潜在表示，而无需常用的预处理步骤（如归一化）。通过新颖的数据增强技术利用条件共轭性，推导出高效的贝叶斯模型推断。结论：在模拟数据和多个真实scRNA-seq数据集上的实验结果表明，hGNB是细胞簇发现以及细胞谱系推断的强大工具。
引用
@article{arxiv.1908.00650,
title = {Bayesian Gamma-Negative Binomial Modeling of Single-Cell RNA Sequencing Data},
author = {Siamak Zamani Dadaneh and Paul de Figueiredo and Sing-Hoi Sze and Mingyuan Zhou and Xiaoning Qian},
journal= {arXiv preprint arXiv:1908.00650},
year = {2019}
}