Comparison and evaluation of statistical error models for scRNA-seq.
Comparison and evaluation of statistical error models for scRNA-seq.
复制标题
scRNA-seq的统计误差模型的比较和评估。
DOI：
10.1186/s13059-021-02584-9
复制
发表时间：
2022-01-18
期刊：
影响因子：
12.3
通讯作者：
Satija R
中科院分区：
文献类型：
--
作者：
Choudhary S;Satija R
单细胞RNA-seq（scRNA-seq）数据中的杂合性是由多个来源驱动的，包括细胞状态的生物学变化以及实验处理过程中引入的技术变化。去卷积这些影响是预处理工作流的一个关键挑战。最近的工作已经证明了scRNA-seq分析计数模型的重要性和实用性，但对于哪些统计分布和参数设置是合适的缺乏共识。在这里，我们分析了59个scRNA-seq数据集，这些数据集涵盖了广泛的技术，系统和测序深度，以评估不同错误模型的性能。我们发现，虽然泊松误差模型似乎适合稀疏数据集，我们观察到明确的证据，过度分散的基因在所有生物系统中具有足够的测序深度，需要使用负二项模型。此外，我们发现过度分散的程度在数据集，系统和基因丰度之间变化很大，并主张采用数据驱动的方法进行参数估计。基于这些分析，我们为scRNA-seq数据中的变异建模提供了一组建议，特别是在使用广义线性模型或基于可能性的方法进行预处理和下游分析时。在线版本包含补充材料，可在（10.1186/s13059-021-02584-9）获得。
Heterogeneity in single-cell RNA-seq (scRNA-seq) data is driven by multiple sources, including biological variation in cellular state as well as technical variation introduced during experimental processing. Deconvolving these effects is a key challenge for preprocessing workflows. Recent work has demonstrated the importance and utility of count models for scRNA-seq analysis, but there is a lack of consensus on which statistical distributions and parameter settings are appropriate. Here, we analyze 59 scRNA-seq datasets that span a wide range of technologies, systems, and sequencing depths in order to evaluate the performance of different error models. We find that while a Poisson error model appears appropriate for sparse datasets, we observe clear evidence of overdispersion for genes with sufficient sequencing depth in all biological systems, necessitating the use of a negative binomial model. Moreover, we find that the degree of overdispersion varies widely across datasets, systems, and gene abundances, and argues for a data-driven approach for parameter estimation. Based on these analyses, we provide a set of recommendations for modeling variation in scRNA-seq data, particularly when using generalized linear models or likelihood-based approaches for preprocessing and downstream analysis. The online version contains supplementary material available at (10.1186/s13059-021-02584-9).
登录
查看更多内容
DOI：
10.1093/bioinformatics/btaa1009
发表时间：
2021-04-05
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Ahlmann-Eltze C;Huber W
通讯作者：
Huber W
影响因子：
4.6
作者：
Awazu A;Tanabe T;Kamitani M;Tezuka A;Nagano AJ
通讯作者：
Nagano AJ
单细胞染色质可及性揭示了调节变化的原理。
影响因子：
64.8
作者：
Buenrostro JD;Wu B;Litzenburger UM;Ruff D;Gonzales ML;Snyder MP;Chang HY;Greenleaf WJ
通讯作者：
Greenleaf WJ
影响因子：
46.9
作者：
Bartosovic M;Kabbe M;Castelo-Branco G
通讯作者：
Castelo-Branco G
影响因子：
16.6
作者：
Hodge, Rebecca D.;Miller, Jeremy A.;Lein, Ed S.
通讯作者：
Lein, Ed S.