低维投影改善单细胞 RNA 测序中的细胞类型分类
机器学习
2025-11-05 v2 人工智能
基因组学
摘要
单细胞 RNA 测序（scRNA-seq）使研究者能够在单个细胞水平上探索细胞异质性，为生物学机制（如发育过程和人器官发生）的细胞类型规格提供全局视角。已提出多种统计、机器学习和深度学习方法用于细胞类型分类。大多数方法利用来自大规模参考数据的无监督低维投影。在本工作中，我们提出了一种基于参考数据的细胞类型分类方法，称为 EnProCell。EnProCell 首先计算捕获高方差和类别可分性的低维投影，通过一组主成分分析（PCA）和多个判别分析（MDA）实现。第二个阶段，EnProCell 在数据的低维表示上训练深度神经网络进行细胞类型分类。实验结果表明，该方法在来自不同单细胞测序技术的四个数据集上超越了现有最先进方法。EnProCell 在参考数据集上预测参考数据的准确率为 98.91，F1 分数为 98.64。同样，EnProCell 在预测来自参考数据集中未知细胞类型的查询数据时，表现优于现有方法（准确率：99.52；F1 分数：99.07）。除了 improved performance 外，该方法简单易行，不需要额外的计算资源和时间。EnProCell 已发布于 https://github.com/umar1196/EnProCell。
关键词
引用
@article{arxiv.2410.09964,
title = {Lower-dimensional projections of cellular expression improves cell type classification from single-cell RNA sequencing},
author = {Muhammad Umar and Andras Lakatos and Muhammad Asif and Arif Mahmood},
journal= {arXiv preprint arXiv:2410.09964},
year = {2025}
}