.png){kind=icon}
返回
Benchmarking deep learning methods for biologically conserved single-cell integration
.png){kind=icon}
OA
AI
DOI：10.1186/s13059-025-03869-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单细胞RNA测序技术的进步已支持对数百万个细胞进行分析，但跨样本和方法的整合以及批效应的缓解仍具挑战性。深度学习方法通过学习生物学保守的基因表达表征来应对这一问题，然而针对损失函数和整合性能的系统基准测试尚不充分。我们采用统一的变分自编码器框架，整合了批信息和细胞类型信息，评估了16种整合方法。结果显示，单细胞整合基准指数（scIB）在保留细胞内类型信息方面存在局限。为解决此问题，我们引入了一种基于相关性的损失函数，并优化了基准测试指标以更好地捕捉生物学保守性。借助肺和乳腺图谱的细胞注释，我们的方法提升了生物信号的保留效果。我们提出了一个改进的整合框架scIB-E及相应指标，为整合过程提供更深入的见解，并为整合日益复杂的单细胞数据的高级开发提供指导。本次基准测试凸显了基于深度学习的方法在单细胞数据整合中的潜力，强调了生物学信息指标和改进基准测试策略的重要性。
Keyword:
Single-cell RNA sequencing
Data integration
Deep learning
Batch correction
Biological conservation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
G
IF:
9.4
论文数:
6.4K
被引数:
7.3W
机构
引用论文
Isolating salient variations of interest in single-cell data with contrastiveVI.png)
NATURE METHODS
NATURE METHODSIF32.1
PREAI
分享收藏Benchmarking single-cell RNA-sequencing protocols for cell atlas projectsNATURE BIOTECHNOLOGYOAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏Benchmarking multi-omics integration algorithms across single-cell RNA and ATAC data跨单细胞RNA和ATAC数据对多组学整合算法进行基准测试OAAI
OAAI分享收藏分享收藏Integrating single-cell transcriptomic data across different conditions, technologies, and species跨不同条件、技术和物种整合单细胞转录组数据NATURE BIOTECHNOLOGYOAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏
分享收藏
查看更多内容