.png){kind=icon}
返回
Toward informed batch correction for single-cell transcriptome integration
.png){kind=icon}
PRE
AI
DOI：10.1038/s43588-025-00943-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过去十年间，单细胞数据集在规模和复杂性上均有所增长，这促成了大规模细胞图谱的构建。数据生成过程中的技术变异性，也称为批次效应，阻碍了有意义的比较。尽管已开发出众多批次校正算法，但它们常面临过度校正或校正不足的问题。本文综述了常用的数据清洗与整合方法。我们设想未来的框架将学习可解释的基因和细胞表示，并实现对技术和生物学变异的知情建模。批次效应对从大规模且异质性的单细胞RNA测序数据集中获取有意义的生物学见解构成了重大挑战。本文回顾了广泛采用的批次校正方法，并提出了未来方法开发中更具信息性、情境感知的途径。
Keyword:
Data integration
Machine learning
Standardization
Standards
Statistical methods
Computer Science
general
期刊
IF:
18.3
论文数:
3.1K
被引数:
4.0K
机构
引用论文
分享收藏Exploring single-cell data with deep multitasking neural networks利用深度多任务神经网络探索单细胞数据.png)
NATURE METHODS
OAAI
NATURE METHODSIF32.1
OAAI分享收藏Pooling across cells to normalize single-cell RNA sequencing data with many zero counts跨细胞合并以标准化具有许多零计数的单细胞RNA测序数据GENOME BIOLOGYOAAI
GENOME BIOLOGYIF9.4
OAAI分享收藏GeneCompass: deciphering universal gene regulatory mechanisms with a knowledge-informed cross-species foundation modelGenecoppass: 通过知识知情的跨物种基础模型破译通用基因调控机制CELL RESEARCHOAAI
CELL RESEARCHIF25.9
OAAI分享收藏Single-Nucleus RNA-Sequencing Profiling of Mouse Lung Reduced Dissociation Bias and Improved Rare Cell-Type Detection Compared with Single-Cell RNA Sequencing与单细胞RNA测序相比，小鼠肺的单核RNA测序分析减少了解离偏差并改善了稀有细胞类型检测OAAI
OAAI分享收藏Zero-shot evaluation reveals limitations of single-cell foundation models零样本评估揭示了单细胞基础模型的局限性GENOME BIOLOGY
OAAI
GENOME BIOLOGYIF9.4
OAAI分享收藏scPRINT: pre-training on 50 million cells allows robust gene network predictionsscPRINT: 在5千万细胞上的预训练能够实现稳健的基因网络预测NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容