A descriptive marker gene approach to single-cell pseudotime inference.
A descriptive marker gene approach to single-cell pseudotime inference.
复制标题
DOI：
10.1093/bioinformatics/bty498
复制
发表时间：
2019-01-01
期刊：
影响因子：
--
通讯作者：
Yau C
中科院分区：
文献类型：
--
作者：
Campbell KR;Yau C
从单细胞基因表达数据中的伪时间估计允许从单个细胞的静态轮廓中恢复时间信息。传统的伪时间推断方法强调无监督的转录组范围的方法，并使用回溯性分析来评估单个基因的行为。然而，由此产生的轨迹只能用抽象的几何结构来理解，而不能用基因行为的可解释模型来理解。在这里，我们介绍了一种名为‘Ouija’的正交贝叶斯方法，该方法从一小部分标记基因中学习伪时间，这些标记基因通常用于回溯确认无监督伪时间算法的准确性。至关重要的是，我们根据轨迹上的开关或瞬时行为对这些基因进行建模，使我们能够理解为什么会推断出伪时间，并了解关于每个基因行为的信息参数。由于每个基因都与一个开关或高峰时间相关联，因此这些基因与细胞一起被有效地排序，从而允许根据某些基因的行为来理解轨迹的每一部分。我们证明，这一小部分标记基因可以恢复与使用整个转录组获得的假时间一致的假时间。此外，我们还表明，我们的方法可以检测两个基因之间的调控时序差异，并识别“亚稳态”状态--沿着连续轨迹的离散细胞类型--概括了已知的细胞类型。开源实现在http://www.github.com/kieranrcampbell/ouija上以R包的形式提供，在http://www.github.com/kieranrcampbell/ouijaflow.上以PYTHON/TensorFlow包的形式提供补充数据可在生物信息学在线上获得。
Pseudotime estimation from single-cell gene expression data allows the recovery of temporal information from otherwise static profiles of individual cells. Conventional pseudotime inference methods emphasize an unsupervised transcriptome-wide approach and use retrospective analysis to evaluate the behaviour of individual genes. However, the resulting trajectories can only be understood in terms of abstract geometric structures and not in terms of interpretable models of gene behaviour. Here we introduce an orthogonal Bayesian approach termed ‘Ouija’ that learns pseudotimes from a small set of marker genes that might ordinarily be used to retrospectively confirm the accuracy of unsupervised pseudotime algorithms. Crucially, we model these genes in terms of switch-like or transient behaviour along the trajectory, allowing us to understand why the pseudotimes have been inferred and learn informative parameters about the behaviour of each gene. Since each gene is associated with a switch or peak time the genes are effectively ordered along with the cells, allowing each part of the trajectory to be understood in terms of the behaviour of certain genes. We demonstrate that this small panel of marker genes can recover pseudotimes that are consistent with those obtained using the entire transcriptome. Furthermore, we show that our method can detect differences in the regulation timings between two genes and identify ‘metastable’ states—discrete cell types along the continuous trajectories—that recapitulate known cell types. An open source implementation is available as an R package at http://www.github.com/kieranrcampbell/ouija and as a Python/TensorFlow package at http://www.github.com/kieranrcampbell/ouijaflow. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
46.9
作者：
Setty M;Tadmor MD;Reich-Zeliger S;Angel O;Salame TM;Kathail P;Choi K;Bendall S;Friedman N;Pe'er D
通讯作者：
Pe'er D
WGCNA：用于加权相关网络分析的 R 包。
影响因子：
3
作者：
Langfelder P;Horvath S
通讯作者：
Horvath S
影响因子：
--
作者：
Campbell KR;Yau C
通讯作者：
Yau C
影响因子：
14.9
作者：
Ji Z;Ji H
通讯作者：
Ji H
影响因子：
5.8
作者：
Sander, Jil;Schultze, Joachim L.;Yosef, Nir
通讯作者：
Yosef, Nir