Gatech发现优于单细胞RNA测序新方法

　　一、Gatech发现优于单细胞RNA测序新方法

　　在最新的研究中，Gatech(佐治亚理工学院)研究人员介绍了scDisInFact，这是一个深度学习框架，可以对scRNA-seq数据中的批次效应和条件效应进行建模，它的测试优势优于传统的单细胞RNA测序方法。

　　据悉，scDisInFact学习将条件效应与批次效应分开的潜在因素，使其能够同时执行三项任务：批次效应去除、条件相关关键基因检测和扰动预测。

　　研究人员在模拟和真实数据集上评估 scDisInFact，并将其性能与每个任务的基线方法进行比较。结果表明，scDisInFact 优于专注于单个任务的现有方法，为集成和预测多批次多条件单细胞 RNA 测序数据提供了更全面、更准确的方法。

　　例如：对于消除批次效应，scDisInFact 仅消除批次效应并保留数据矩阵之间的生物学差异。对于与病情相关的关键基因检测，scDisInFact不仅可以高水平输出CKG，而且扰动预测结果还可以用于寻找在特定细胞或细胞类型中从一种条件组合到任何其他条件组合差异表达的基因。

　　该研究以「scDisInFact: disentangled learning for integration and prediction of multi-batch multi-condition single-cell RNA-sequencing data」为题，于 2024 年 1 月 30 日发布在《Nature Communications》。

　　二、知识点科普：单细胞RNA测序是什么?

　　单细胞 RNA 测序 (scRNA-seq) 能够测量实验批次中每个细胞中基因的表达水平。这项技术已广泛应用于疾病研究，从疾病不同阶段或接受不同药物治疗的捐赠者身上收集样本。

　　因此，每个样本的 scRNA-seq 计数矩阵与供体的一种或多种生物学状况相关，这些生物学状况可以是年龄、性别、药物治疗、疾病严重程度等。同时，研究同一疾病的数据集通常是在不同批次中获得的，这会引入跨批次的技术差异(也称为批次效应)。

　　实际上，疾病研究数据集中的可用样本可能来自不同的条件和批次。研究人员将此类数据集称为多批次多条件数据集。在此类数据集中，同一批次生成的不同生物条件的数据矩阵之间存在由条件效应引起的生物变异，而同一条件但不同批次的数据矩阵之间存在批次效应引起的技术变异。

　　因此，这些数据矩阵之间的差异是批次效应(技术变异)和条件效应(生物变异)的混合体，这使得充分利用这些数据集潜力的过程变得复杂。

　　单细胞RNA测序虽然被广泛运用，但是在计算方面存在三个挑战：

　　(1)消除批次效应，同时保留生物条件效应;

　　(2)检测与生物状况相关的关键基因;

　　(3)预测对应于一定条件的未见数据矩阵，也称为扰动预测任务。

　　以上是关于Gatech发现优于单细胞RNA测序新方法的全部新闻，如果您对美国留学感兴趣，欢迎您在线咨询托普仕留学老师(添V：Tops6868)。托普仕留学采用5v1服务模式，21步精细服务流程，硬性四维标准+六维背景提升等留学服务体系，为学生出国留学申请名校提供保障。