scCODA is a Bayesian model for compositional single-cell data analysis.
scCODA is a Bayesian model for compositional single-cell data analysis.
复制标题
DOI：
10.1038/s41467-021-27150-6
复制
发表时间：
2021-11-25
影响因子：
16.6
通讯作者：
Schubert B
中科院分区：
文献类型：
--
作者：
Büttner M;Ostner J;Müller CL;Theis FJ;Schubert B
细胞类型的组成变化是生物过程的主要驱动力。由于数据的组成性和低样本量，通过单细胞实验检测它们是困难的。我们介绍了scCODA（https：//github.com/theislab/scCODA），这是一种解决这些问题的贝叶斯模型，可以研究疾病和其他刺激中的复杂细胞类型效应。scCODA表现出优异的检测性能，同时可靠地控制错误的发现，并确定实验验证的细胞类型的变化，在原始分析中错过了。细胞类型的不平衡和丢失是许多疾病的标志。尽管如此，量化scRNAseq数据中的组成变化仍然具有挑战性。在这里，作者提出了scCODA，这是一种贝叶斯模型，用于评估scRNA-seq数据中的细胞类型组成。
Compositional changes of cell types are main drivers of biological processes. Their detection through single-cell experiments is difficult due to the compositionality of the data and low sample sizes. We introduce scCODA (https://github.com/theislab/scCODA), a Bayesian model addressing these issues enabling the study of complex cell type effects in disease, and other stimuli. scCODA demonstrated excellent detection performance, while reliably controlling for false discoveries, and identified experimentally verified cell type changes that were missed in original analyses. Imbalance and loss of cell types is a hallmark in many diseases. Still, quantifying compositional changes in scRNAseq data remains challenging. Here the authors present scCODA, a Bayesian model to assess cell type compositions in scRNA-seq data.
登录
查看更多内容
影响因子：
4.3
作者：
Mallick H;Rahnavard A;McIver LJ;Ma S;Zhang Y;Nguyen LH;Tickle TL;Weingart G;Ren B;Schwager EH;Chatterjee S;Thompson KN;Wilkinson JE;Subramanian A;Lu Y;Waldron L;Paulson JN;Franzosa EA;Bravo HC;Huttenhower C
通讯作者：
Huttenhower C
影响因子：
2.1
作者：
Newton, MA;Noueiry, A;Ahlquist, P
通讯作者：
Ahlquist, P
影响因子：
9.5
作者：
Hawinkel, Stijn;Mattiello, Federico;Thas, Olivier
通讯作者：
Thas, Olivier
影响因子：
--
作者：
Mandal S;Van Treuren W;White RA;Eggesbø M;Knight R;Peddada SD
通讯作者：
Peddada SD
COVID-19 患者支气管肺泡免疫细胞的单细胞景观。
影响因子：
82.9
作者：
Liao, Mingfeng;Liu, Yang;Zhang, Zheng
通讯作者：
Zhang, Zheng