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：NAguideR（NAguideR：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scIMC（single-cell Imputation Methods Comparison platform，https://server.wei-group.net/scIMC/，图1）。

图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（SAVER，scTSSR，MAGIC，scImpute，DrImpute，scNPF）和6个深度学习方法（AutoImpute，ALRA，DCA，DeepImpute，scGNN和scIGANs）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。

图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）。

图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个......

30. 你健康吗？

31. 你衰老了吗？