样本异质性定量化

样本异质性是生物样本普遍存在的现象，也是样本分类的基础。可以说，即使表型相同的生物样本，也会存在异质性，因而有必要进行样本亚型分类。一般而言，样本分类属于大类别分类，样本亚型分类是针对每个大类别进一步进行子类别分类。

以往，在转录组水平，进行样本分类和样本亚型分类主要依赖于bulk转录组数据，每个样本对象是组织。随着单细胞测序技术的发展，样本分类和样本亚型分类的精度水平从组织水平提升到单细胞水平。从bulk转录组数据到单细胞转录数据的转变，意味着刻画生物样本从组织水平到单细胞水平。相应地，样本分类和样本亚型分类的方法也会发生改变。

当前，样本异质性方法主要依赖于细胞类型或细胞状态数据的简单汇总，没能够从单细胞精度水平刻画样本异质性。为此，一种基于深度生成模型的MrVI方法（如图1）被提出。MrVI能够在单细胞精度水平进行样本-样本比较研究，还能够发现细胞群体之间的微小的样本特异性效应。此外，MrVI的输出还能够用来度量样本水平元数据与细胞状态变异性的关联强度。

图1 样本异质性定量化流程MrVI

比较研究结果显示：MrVI比CompositionSCVI、CompositionPCA和scVI表现更好，详细结果可以参见文献[1]。如果想用MrVI方法刻画样本异质性，其代码可以从https://github.com/YosefLab/mrvi获取。

参考文献

[1] Boyeau P, Hong J, Gayoso A, et al. Deep generative modeling for quantifying sample-level heterogeneity in single-cell omics. bioRxiv; 2022. DOI: 10.1101/2022.10.04.510898.

以往推荐如下：

1. 细胞特异性因果调控网络识别

2. 因果推理综述推荐一篇

3. miRNA活性识别之因果推理方法

4. miRNA协作之因果推理方法

5. 你想了解因果推理吗？

6. 因果学习工具：Causal Explorer和Causal Learner

7. ​小样本学习