Deep generative modeling for single-cell transcriptomics.
Deep generative modeling for single-cell transcriptomics.
复制标题
DOI：
10.1038/s41592-018-0229-2
复制
发表时间：
2018-12
期刊：
影响因子：
48
通讯作者：
Yosef N
中科院分区：
文献类型：
--
作者：
Lopez R;Regier J;Cole MB;Jordan MI;Yosef N
单个细胞的转录组测量反映了未探索的生物多样性，但也受到技术噪音和偏见的影响。这就需要在任何下游分析中对由此产生的不确定性进行建模和解释。在这里，我们介绍了单细胞变分推理（scVI），一个可扩展的框架，用于概率表示和分析单细胞中的基因表达。scVI使用随机优化和深度神经网络来聚合相似细胞和基因的信息，并近似观察到的表达值的分布，同时考虑批次效应和有限的灵敏度。我们利用scVI进行一系列的基本分析任务-包括批量校正，可视化，聚类和差异表达-并证明其准确性和可扩展性相比，最先进的每项任务。scVI是公开可用的，可以很容易地用作分析单细胞转录组的原则性和包容性解决方案。
Transcriptome measurements of individual cells reflect unexplored biological diversity, but are also affected by technical noise and bias. This raises the need to model and account for the resulting uncertainty in any downstream analysis. Here, we introduce Single-cell Variational Inference (scVI), a scalable framework for probabilistic representation and analysis of gene expression in single cells. scVI uses stochastic optimization and deep neural networks to aggregate information across similar cells and genes and approximate the distributions that underlie the observed expression values, while accounting for batch effects and limited sensitivity. We utilize scVI for a range of fundamental analysis tasks – including batch correction, visualization, clustering and differential expression – and demonstrate its accuracy and scalability in comparison to the state-of-the-art in each task. scVI is publicly available and can be readily used as a principled and inclusive solution for analyzing single-cell transcriptomes.
登录
查看更多内容
影响因子：
3
作者：
DeTomaso D;Yosef N
通讯作者：
Yosef N
影响因子：
48
作者：
Kharchenko, Peter V.;Silberstein, Lev;Scadden, David T.
通讯作者：
Scadden, David T.
影响因子：
64.5
作者：
Gaublomme JT;Yosef N;Lee Y;Gertner RS;Yang LV;Wu C;Pandolfi PP;Mak T;Satija R;Shalek AK;Kuchroo VK;Park H;Regev A
通讯作者：
Regev A
影响因子：
46.9
作者：
Haghverdi L;Lun ATL;Morgan MD;Marioni JC
通讯作者：
Marioni JC
影响因子：
2.1
作者：
Johnson, W. Evan;Li, Cheng;Rabinovic, Ariel
通讯作者：
Rabinovic, Ariel