一、Gatech發現優于單細胞RNA測序新方法

　　在最新的研究中，Gatech(佐治亞理工學院)研究人員介紹了scDisInFact，這是一個深度學習框架，可以對scRNA-seq數據中的批次效應和條件效應進行建模，它的測試優勢優于傳統的單細胞RNA測序方法。

　　據悉，scDisInFact學習將條件效應與批次效應分開的潛在因素，使其能夠同時執行三項任務：批次效應去除、條件相關關鍵基因檢測和擾動預測。

　　研究人員在模擬和真實數據集上評估 scDisInFact，并將其性能與每個任務的基線方法進行比較。結果表明，scDisInFact 優于專注于單個任務的現有方法，為集成和預測多批次多條件單細胞 RNA 測序數據提供了更全面、更準確的方法。

　　例如：對于消除批次效應，scDisInFact 僅消除批次效應并保留數據矩陣之間的生物學差異。對于與病情相關的關鍵基因檢測，scDisInFact不僅可以高水平輸出CKG，而且擾動預測結果還可以用于尋找在特定細胞或細胞類型中從一種條件組合到任何其他條件組合差異表達的基因。

　　該研究以「scDisInFact: disentangled learning for integration and prediction of multi-batch multi-condition single-cell RNA-sequencing data」為題，于 2024 年 1 月 30 日發布在《Nature Communications》。

　　二、知識點科普：單細胞RNA測序是什么?

　　單細胞 RNA 測序 (scRNA-seq) 能夠測量實驗批次中每個細胞中基因的表達水平。這項技術已廣泛應用于疾病研究，從疾病不同階段或接受不同藥物治療的捐贈者身上收集樣本。

　　因此，每個樣本的 scRNA-seq 計數矩陣與供體的一種或多種生物學狀況相關，這些生物學狀況可以是年齡、性別、藥物治療、疾病嚴重程度等。同時，研究同一疾病的數據集通常是在不同批次中獲得的，這會引入跨批次的技術差異(也稱為批次效應)。

　　實際上，疾病研究數據集中的可用樣本可能來自不同的條件和批次。研究人員將此類數據集稱為多批次多條件數據集。在此類數據集中，同一批次生成的不同生物條件的數據矩陣之間存在由條件效應引起的生物變異，而同一條件但不同批次的數據矩陣之間存在批次效應引起的技術變異。

　　因此，這些數據矩陣之間的差異是批次效應(技術變異)和條件效應(生物變異)的混合體，這使得充分利用這些數據集潛力的過程變得復雜。

　　單細胞RNA測序雖然被廣泛運用，但是在計算方面存在三個挑戰：

　　(1)消除批次效應，同時保留生物條件效應;

　　(2)檢測與生物狀況相關的關鍵基因;

　　(3)預測對應于一定條件的未見數據矩陣，也稱為擾動預測任務。

　　以上是關于Gatech發現優于單細胞RNA測序新方法的全部新聞，如果您對美國留學感興趣，歡迎您在線咨詢托普仕留學老師(添V：Tops6868)。托普仕留學采用5v1服務模式，21步精細服務流程，硬性四維標準+六維背景提升等留學服務體系，為學生出國留學申請名校提供保障。