新加坡国立大学与清华大学合作推出单细胞RNA测序数据分析新方法

• 全文链接

关键词：

来源：

PNAS

全文链接：

//agri.nais.net.cn/topic/downloadFile/ad3e7bf3-3ec0-4e8c-a85d-89d30b653eb7

来源地址：

//agri.nais.net.cn/topic/downloadFile/ad3e7bf3-3ec0-4e8c-a85d-89d30b653eb7

资源所属：

农业生物技术专题

类型：

学术文献

语种：

英语

原文发布日期：

2024-09-03

摘要：

2024年9月3日，清华大学丘成桐数学科学中心丘成桐团队与新加坡国立大学统计与数据科学系姚志刚团队合作在PNAS发表题为Single-Cell Analysis via Manifold Fitting: A Framework for RNA Clustering and Beyond研究论文。研究团队针对现有方法的局限性，单细胞数据分析方法，包括深度学习算法，往往难以准确捕捉数据中的非线性结构和细微变化，导致重要的生物学信息可能被忽视或误解。特别是在发现罕见的细胞类型、了解细胞如何变化以及绘制完整的“细胞地图”等重要任务中局限性日益凸显。提出了一种名为scAMF（Single-Cell Analysis via Manifold Fitting）的创新算法。该算法通过流形拟合进行单细胞分析，旨在从根本上改变分析和理解单细胞数据的方式。scAMF把复杂的单细胞数据看作是由两部分组成的。一部分是有意义的信息结构（低维流形结构），另一部分是无用的干扰信息（环境噪声）。通过流形拟合，scAMF能够有效地提取出潜在的流形结构，保留关键的生物学信息。该方法首先对原始数据进行多种转换，然后利用共享最近邻度量和局部几何结构，自适应地拟合空间结构不同的流形，从而有效处理细胞类型间的复杂非线性关系。经过流形拟合之后，scAMF只需使用简单的聚类方法就可以获得高精度聚类结果。在处理复杂单细胞数据时，scAMF表现优异，在细胞识别的准确性、细胞可视化等方面均优于现有的单细胞分析方法，包括基于图的算法以及深度学习算法。研究团队已经在25个复杂的单细胞数据集上测试了scAMF方法。这些数据集包括人脑细胞的详细信息、胚胎如何随时间发育的数据以及研究癌症多样性的数据等。研究表明，scAMF不仅能够更准确地识别已知细胞类型，还能够提供容易理解且有明确生物学意义的可视化结果。这些发现为理解复杂生命系统的组成和功能提供了新的见解。