Minimal gene set discovery in single-cell mRNA-seq datasets with ActiveSVM.
Minimal gene set discovery in single-cell mRNA-seq datasets with ActiveSVM.
复制标题
DOI：
10.1038/s43588-022-00263-8
复制
发表时间：
2022-06
期刊：
影响因子：
--
通讯作者：
Thomson, Matt
中科院分区：
文献类型：
--
作者：
Chen, Xiaoqiao;Chen, Sisi;Thomson, Matt
目前，测序成本阻碍了单细胞 mRNA-seq 在许多生物学和临床分析中的应用。靶向单细胞 mRNA 测序通过分析减少的基因集（用最少数量的基因捕获生物信息）来降低测序成本。在这里，我们介绍了一种主动学习方法，该方法可以识别最少但信息丰富的基因集，从而能够使用少量基因识别单细胞数据中的细胞类型、生理状态和遗传扰动。我们的主动特征选择程序通过采用主动支持向量机（ActiveSVM）分类器从单细胞数据生成最小基因集。我们证明，ActiveSVM 特征选择可识别基因集，从而在细胞图谱和疾病表征数据集中实现约 90% 的细胞类型分类准确度。小但信息丰富的基因集的发现应该能够减少将单细胞 mRNA-seq 应用于临床测试、治疗发现和遗传筛选所需的测量数量。 ActiveSVM 被引入作为一种特征选择程序，用于发现大型单细胞 mRNA-seq 数据集中的最小基因集。
Sequencing costs currently prohibit the application of single-cell mRNA-seq to many biological and clinical analyses. Targeted single-cell mRNA-sequencing reduces sequencing costs by profiling reduced gene sets that capture biological information with a minimal number of genes. Here we introduce an active learning method that identifies minimal but highly informative gene sets that enable the identification of cell types, physiological states and genetic perturbations in single-cell data using a small number of genes. Our active feature selection procedure generates minimal gene sets from single-cell data by employing an active support vector machine (ActiveSVM) classifier. We demonstrate that ActiveSVM feature selection identifies gene sets that enable ~90% cell-type classification accuracy across, for example, cell atlas and disease-characterization datasets. The discovery of small but highly informative gene sets should enable reductions in the number of measurements necessary for application of single-cell mRNA-seq to clinical tests, therapeutic discovery and genetic screens. ActiveSVM is introduced as a feature selection procedure for discovering minimal gene sets in large single-cell mRNA-seq datasets.
登录
查看更多内容
影响因子：
64.5
作者：
Cleary B;Cong L;Cheung A;Lander ES;Regev A
通讯作者：
Regev A
影响因子：
2.9
作者：
Magnaldo, T;Fowlis, D;Darmon, M
通讯作者：
Darmon, M
影响因子：
3.3
作者：
Arlot, Sylvain;Celisse, Alain
通讯作者：
Celisse, Alain
影响因子：
46.9
作者：
Noble, William S.
通讯作者：
Noble, William S.
影响因子：
64.5
作者：
Dixit, Atray;Pamas, Oren;Li, Biyu;Chen, Jenny;Fulco, Charles P.;Jerby-Amon, Livnat;Marjanovic, Nemanja D.;Dionne, Danielle;Burks, Tyler;Raychowdhury, Raktima;Adamson, Britt;Norman, Thomas M.;Lander, Eric S.;Weissman, Jonathan S.;Friedman, Nir;Regev, Aviv
通讯作者：
Regev, Aviv