换一批单细胞转录组测序数据的细胞类型识别方法比较
Comparison of Cell Type Identification Methods for Single-cell RNA-sequencing Data
摘要单细胞转录组测序技术提供单个细胞分辨率的基因表达谱,有助于更准确地揭示细胞异质性.聚类是识别生物组织中细胞类型的主要方法,选择合适的聚类算法可以提升单细胞转录组测序数据分析的性能.本文阐述了 k-means、层次聚类(hierarchical clustering,HC)、Leiden、SC3、SCENA、LAK、SIMLR 和 dropClust 等 8 种典型的单细胞聚类算法,在 12 个带有真实标签的单细胞转录组测序数据集上进行聚类比较分析.采用轮廓系数、Calinski-Harabasz指数、调整兰德指数、调整互信息、FMI指数、V-measure、Jaccard系数和变异系数等8个评价指标,对8种聚类算法的性能进行分析评价.根据实验结果,发现HC、SC3、k-means、SCENA的聚类泛用性与鲁棒性最佳,在大规模数据集上SIMLR算法表现最好;在小规模数据集上Leiden算法表现最好,但是存在依赖邻居节点参数和稳定性低的问题;dropClust算法在泛用性和鲁棒性上最差.此外,8种聚类方法的性能都与数据质量有关,当数据的变异系数较低时,聚类算法的评分指标普遍增高,反之亦然.
更多相关知识
关键词
单细胞转录组测序聚类细胞类型识别数据质量性能评价Single-cell RNA-sequencingClusteringCell type identificationData qualityPerformance evaluation
栏目名称
DOI
10.13417/j.gab.043.000195
发布时间
2024-04-16（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
