zhangjunpeng的个人博客分享 http://blog.sciencenet.cn/u/zhangjunpeng

博文

scIMC:填充单细胞转录组数据缺失值

已有 1544 次阅读 2022-5-9 07:43 |个人分类:科普|系统分类:科普集锦

scIMC:填充单细胞转录组数据缺失值

 

在之前,已经介绍了一款填充蛋白质组学数据缺失值的工具:NAguideRNAguideR:填充蛋白质组学数据缺失值)。本次将介绍一个填充单细胞转录组数据缺失值工具scIMCsingle-cell Imputation Methods Comparison platformhttps://server.wei-group.net/scIMC/,图1)。

 

image.png 

1 scIMC平台

 

如果你的研究对象是观测数据,数据里就不可避免出现缺失值。缺失值的存在将使数据失真并且影响后续分析。除了丢弃这些缺失值这一简单粗暴方法,另外一种途径就是填充这些缺失值。

 

scIMC平台(图2)由两个功能模块构成:缺失值填充和下游分析。在缺失值填充部分,scIMC提供了12种已有方法,这些方法由6个模型方法(SAVERscTSSRMAGICscImputeDrImputescNPF)和6个深度学习方法(AutoImputeALRADCADeepImputescGNNscIGANs)组成。在下游分析部分,scIMC提供了基因表达恢复、细胞聚类、基因差异表达和细胞伪轨迹重建分析。围绕这些分析,也可以对12种已有方法进行比较研究。通过比较分析发现,深度学习方法普遍比模型方法在填充缺失值方面更有效。

 

image.png

2 scIMC平台工作流程

 

详细比较分析结果可以参见文献[1](图3)。

 

image.png

3 scIMC文献

 

后话

在单细胞研究领域,填充缺失值是一项最基本并且非常重要的任务。有效填充缺失值,将有助于后续数据分析。scIMC平台为非编程用户提供了一种鼠标操作工具,不妨打开网站(https://server.wei-group.net/scIMC/)试试。

 

参考文献与链接

[1] Dai C, Jiang Y, Yin C, et al. scIMC: a platform for benchmarking comparison and visualization analysis of scRNA-seq data imputation methods. Nucleic Acids Res. 2022;gkac317. doi:10.1093/nar/gkac317

[2] https://server.wei-group.net/scIMC/

 

以往推荐如下:

1. 因果推理综述推荐一篇

2. 生物学家的机器学习指南

3. 基础模型的机遇与风险

4. 一份单细胞数据分析教程

5. R/Shiny交互式生物Web应用程序

6. VOSviewer:文献图谱可视化

7. 卡片式笔记工具:Roam Research

8. 国外知乎:Quora

9. 生信问答平台:Biostars

10. IT问答平台:Stack Overflow

11. 预印本知多少?

12. 借助Bioconductor策划单细胞分析

13. 要选哪个蛋白质互作数据库作为先验信息?

14. mRNA表达无法取代蛋白质表达

15. scIB:单细胞数据融合基准框架

16. 临床医疗维修店铺

17. NAguideR:填充蛋白质组学数据缺失值

18. 怎样做好一项研究?

19. 怎样做开题报告?

20. 深度学习助力单细胞数据分析

21. Any RNA

22. 走进数据科学

23. 直抵自闭症核心

24. 癌症内RNA

25. 一对搭档:计算与生物

26. TF靶标

27. 生物组织内细胞通讯

28. 记一次主题编辑经历

29. 6个,10个,14......

30. 你健康吗?

31. 你衰老了吗?

image.png

image.png 




https://blog.sciencenet.cn/blog-571917-1337664.html

上一篇:你衰老了吗?
下一篇:差异表达分析:经典方法未必逊色于流行方法

2 李宏翰 李璐

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-7-1 19:06

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部