×

BayICE公司

swMATH ID: 40317
软件作者: 泰安顺;乔治·C·曾(George C.Tseng)。;谢文平
描述: BayICE:基于半参考的大量转录组数据反褶积的贝叶斯层次模型。基因表达反褶积是利用转录组数据探索由多个细胞群组成的复杂组织微环境的有力工具。表征特定条件下的细胞活动被视为对抗疾病的首要任务。例如,癌症免疫学旨在通过分析肿瘤的免疫细胞成分,阐明免疫系统在癌症进展和发展中的作用。为此,人们提出了许多反褶积方法来推断组织内的细胞亚群。然而,有两个问题限制了当前方法的实用性。首先,大多数方法使用外部纯化数据预先选择有助于反褶积的细胞类型特异性基因。然而,某些类型的细胞在纯化的图谱中找不到,并且无法识别其中特异性过表达或欠表达的基因。这在癌症研究中尤其是一个问题。因此,独立于反褶积的预选策略是不合适的。第二个问题是,当纯化的细胞特异性图谱的参考集不完整时,现有方法无法恢复大块组织中存在的未知细胞的表达谱,从而导致对未知细胞比例的偏差估计。此外,它会导致反褶积的平移不变特性失效,从而影响估计性能。为了解决这两个问题,我们提出了一种新的基于半参考的反褶积方法BayICE,该方法采用带有随机搜索变量选择的分层贝叶斯模型。我们通过吉布斯抽样开发了一个全面的马尔可夫链蒙特卡罗程序,以估计一组已知参考细胞类型和未知细胞类型的比例、表达谱和特征基因。仿真和验证研究表明,BayICE在估计细胞比例方面优于现有的基于半参考的反褶积方法。我们进一步证明BayICE适用于单细胞RNA-seq数据。随后,我们展示了BayICE在非小细胞肺癌患者RNA测序中的应用。该模型在R包“BayICE”中实现,算法可下载。
主页: https://doi.org/10.1214/20-AOAS1376
源代码:  https://github.com/AshTai/BayICE
依赖项: R(右)
关键词: 细胞比例;基因表达;层次贝叶斯;基于半参考的反褶积;随机搜索变量选择
相关软件: ISOpureR公司;d角度;间隔计数;尖刺实验室;R(右)
引用于: 1文件

在1个字段中引用

1 统计学(62-XX)

按年份列出的引文