Новый метод анализа данных scRNA-seq повышает точность и скорость

Исследователи из Национального университета Сингапура (NUS) представили новый подход к анализу данных секвенирования РНК единичных клеток (scRNA-seq). Метод, названный scAMF (Single-cell Analysis via Manifold Fitting), повышает точность и скорость интерпретации данных, что может ускорить прогресс в биомедицинских исследованиях, включая изучение рака и болезни Альцгеймера.

Преодоление шума данных с помощью манифестного моделирования

ScRNA-seq — ключевой инструмент в геномных исследованиях, но присущий данным шум (из-за биологической вариабельности и технических ошибок) затрудняет точный анализ. Традиционные методы (геномная импутация, графовые и алгоритмы на основе глубокого обучения) часто плохо справляются с характеристикой взаимосвязей клеток.

Метод scAMF использует продвинутые математические техники для подгонки низкоразмерного многообразия (манифеста) в высокоразмерном пространстве данных об экспрессии генов. Это эффективно снижает шум, сохраняя при этом важную биологическую информацию.

Ключевая инновация scAMF — улучшение пространственного распределения данных: векторы экспрессии генов клеток одного типа сближаются, а разных типов — остаются чётко разделёнными. Это приводит к более точной и надёжной кластеризации.

«Наш подход эффективно удаляет шум из данных scRNA-seq, подгоняя низкоразмерное многообразие в высокоразмерном пространстве. Этот метод значительно повышает точность классификации типов клеток и ясность визуализации данных», — пояснил руководитель исследования доцент Чжиган Яо.

По сравнению с другими методами, scAMF демонстрирует превосходство в:

• Более эффективном снижении шума.
• Улучшенной точности кластеризации.
• Лучшем сохранении биологической информации.
• Конкурентной вычислительной эффективности.
• Более чёткой визуализации.
• Стабильной работе на разнообразных наборах данных.

Исследование, проведённое в сотрудничестве с профессором Яу Шинтуном из Университета Цинхуа, было опубликовано в Proceedings of the National Academy of Sciences 3 сентября 2024 года.

Будущее: создание детальных клеточных атласов

На основе успеха scAMF команда разрабатывает новый фреймворк для построения высокоразрешающих мультимасштабных клеточных атласов. Он призван преодолеть текущие методологические ограничения, такие как сложности в идентификации малых популяций клеток.

Ключевой фокус — создание мультиразрешающего фреймворка анализа клеток на основе scAMF. Он позволит анализировать клеточную гетерогенность на разных уровнях детализации и идентифицировать редкие популяции клеток.

«Наша текущая работа уже показала многообещающие результаты на множестве эталонных наборов данных, выявив новые биологические insights. Мы применили его к Атласу клеток человеческого мозга и идентифицировали новые подтипы и маркерные гены для различных типов клеток», — отметил доцент Яо.

Это направление исследований может революционизировать понимание клеточного разнообразия и функций в различных биологических системах.