Medikaynak Search
Üye Ol Üye Giriş
Medikaynak Menü
Üye Olun / Giriş Yapın Medikaynak Icon
Medikaynak Rxmediapharma

Tek hücreli RNA sekanslaması (scRNA-seq), gözetimsiz kümeleme yoluyla hücre tiplerini ve durumlarını karakterize edebilmekte olup ancak giderek artan sayıda hücre ve parti etkisi hesaplama beraberinde zorluklar getirmektedir. Araştırmacılar, ScRNA-seq analizindeki asıl zorluğu, İnsan Hücresi Atlası gibi büyük projelerde binlerce ila milyonlarca olabilecek sürekli hücre sayısını analiz etmek olarak belirtmişlerdir. Geniş bir veri kümesinde hücre popülasyonlarını tanımlamak zordur, çünkü mevcut scRNA-seq kümeleme yöntemlerinin çoğu bunları işlemek için ölçeklenemez. Büyük scRNA-seq veri kümeleri genellikle kümelenmesi kolay hücreler içermektedir ve bu hücrelerden ifade modellerini öğrenmek istenmektedir çünkü kümeye özgü gen ifadesi imzaları hakkında değerli bilgiler sağlarlar. Bu hücreler ayrıca kümelenmesi zor hücrelerin kümelenmesini geliştirmeye yardımcı olabilmektedirler. Araştırmacılar, ScRNA-seq çalışmalarında hücre sayısı arttıkça, analizdeki bir diğer önemli zorluğu, bir partiden diğerine sistematik gen ekspresyonu farkı olan parti etkisi olarak belirtmişlerdir.

İnsan dokularını içeren çalışmalarda parti etkisi kaçınılmaz olup veriler genellikle farklı zamanlarda üretilir ve gruplar biyolojik varyasyonları karıştırırlar. Parti etkisinin kaldırılmaması, aşağı akış analizini zorlaştıracak ve sonuçların yanlış yorumlanmasına yol açacaktır. ScRNA-seq kümelemesi ve parti etkisinin giderilmesi tipik olarak ayrı analizlerle ele alınmaktadır. Toplu etkiyi gidermek için yaygın olarak kullanılan yaklaşımlar arasında kanonik korelasyon analizi (CCA), karşılıklı en yakın komşular (MNN) yaklaşımı ve Seurat 3.0'da uygulanan MNN ve CCA kombinasyonu bulunmaktadır. Toplu etki kaldırıldıktan sonra, Louvain yöntemi, Infomap, en yakın paylaşılan komşular veya SC3 ile konsensüs kümeleme gibi yöntemler kullanılarak hücre kümelerini tanımlamak için kümeleme analizi yapılmaktadır. Bununla birlikte, bazı çalışmalar, hücre tipine özgü parti etkisine yol açabilen belirli hücre tiplerini tüketebileceğini veya zenginleştirebileceğini göstermiştir. Birlikte işlendiğinde bile, bazı hücre türleri, toplu iş etkisine diğerlerinden daha savunmasız olabileceği belirtilmiştir.

DESC'den Küme Atama Olasılıkları Biyolojik Olarak Yorumlanabilir

Haghverdi ve diğer araştırmacılar hücreler için genel olarak sabit bir parti etkisi yerine hücre tipine özel parti etkilerinin dikkate alınmasının, parti etkisinin kaldırılmasını geliştirdiğini bulduklarını ve CCA, MNN ve Seurat 3.0 gibi yöntemlerin, iki partiden alınan hücrelerin bir seferde dikkate alındığı ikili analize dayandığını ifade etmişlerdir. İkiden fazla partiye sahip veriler için, sırayla birinci seri, ikinci partideki hücreleri düzeltmek için referans parti olarak kullanılacak olup daha sonra ikinci partinin düzeltilmiş değerleri referans partiye eklenmektedir. Bu işlem, tüm gruplardaki hücreler düzeltilinceye kadar tekrarlanmaktadır ve ikili bir prosedür olarak, partilerin düzeltilme sırası nihai sonuçları etkileyecektir. Araştırmacılar, Scanorama’nın çift referanslı olduğunu ancak bir referans grubu gerektirmediğini ifade etmişlerdir. ScVI ve BERMUDA gibi diğer yöntemler, parti bilgilerini analizde açıkça dahil ederler, böylece tüm partilerin hücrelerini aynı anda birlikte analiz edebilirler.

Yapılan bu çalışmada araştırmacılar SCRNA-seq verilerini kümeleme objektif işlevini yinelemeli olarak optimize ederek kümelendiren denetimsiz bir derin gömme algoritması olan DESC'yi sunduklarını belirtmişlerdir. Yinelemeli kendi kendine öğrenme yoluyla, gruplar arasındaki teknik farklılıklar gerçek biyolojik varyasyonlardan daha küçük olduğu sürece DESC, toplu etkileri yavaş yavaş kaldırır ve yumuşak bir kümeleme algoritması olarak, DESC'den küme atama olasılıkları biyolojik olarak yorumlanabilir ve hücrelerin hem ayrık hem de psödotemporal yapısını ortaya çıkarabilir.

Kapsamlı değerlendirmeler, DESC'nin doğru bir kümeleme doğruluğu ve kararlılığı dengesi sunduğunu, bellekte az yer kapladığını, toplu efektin kaldırılması için açıkça toplu bilgi gerektirmediğini ve kullanılabilir olduğunda GPU kullanabileceğini göstermektedir. Araştırmacılar tek hücreli çalışmaların ölçeği büyümeye devam ettikçe, DESC'nin biyomedikal araştırmacıların karmaşık hücresel heterojenliği çözmesi için değerli bir araç sunacağına inandıklarını ifade etmişlerdir.

Medikaynak Referanslar

Li X, Wang K, Lyu Y, et al. Deep learning enables accurate clustering with batch effect removal in single-cell RNA-seq analysis. Nat Commun. 2020;11(1):2338. Published 2020 May 11. doi:10.1038/s41467-020-15851-3

+ Tüm Referansları Göster
  1. Benzer İçerikler