Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Negative binomial count splitting for single-cell RNA sequencing data

Anna Neufeld, Joshua M Popp|arXiv (Cornell University)|Jul 24, 2023
Single-cell and spatial transcriptomics被引用数 5
ひとこと要約

本稿では、1つのscRNA-seqカウント行列から、負の二項分布モデル下でのディリクレ-multinomialサンプリングを活用して、独立な訓練データセットとテストデータセットを生成する方法であるネガティブバイノミアルカウントスプリッティングを導入する。過分散データにおいてポissonカウントスプリッティングを上回る性能を示し、生物学的リピートが不要な状況下でも、scRNA-seq解析における妥当なモデル妥当性評価と再現性評価を可能にする。

ABSTRACT

The analysis of single-cell RNA sequencing (scRNA-seq) data often involves fitting a latent variable model to learn a low-dimensional representation for the cells. Validating such a model poses a major challenge. If we could sequence the same set of cells twice, we could use one dataset to fit a latent variable model and the other to validate it. In reality, we cannot sequence the same set of cells twice. Poisson count splitting was recently proposed as a way to work backwards from a single observed Poisson data matrix to obtain independent Poisson training and test matrices that could have arisen from two independent sequencing experiments conducted on the same set of cells. However, the Poisson count splitting approach requires that the original data are exactly Poisson distributed: in the presence of any overdispersion, the resulting training and test datasets are not independent. In this paper, we introduce negative binomial count splitting, which extends Poisson count splitting to the more flexible negative binomial setting. Given an $n imes p$ dataset from a negative binomial distribution, we use Dirichlet-multinomial sampling to create two or more independent $n imes p$ negative binomial datasets. We show that this procedure outperforms Poisson count splitting in simulation, and apply it to validate clusters of kidney cells from a human fetal cell atlas.

研究の動機と目的

  • 生物学的リピートが入手できない状況下で、潜在変数モデルの妥当性を検証する課題に対処すること。
  • 過分散下では元の訓練・テストセット間に依存関係が生じるため、ポissonカウントスプリッティングの限界を克服すること。
  • 現実的な負の二項分布に従う状況下でも統計的独立性を保ちつつ、一般化可能で柔軟なscRNA-seqにおけるモデル妥当性評価および推論手法を開発すること。
  • ヒト胚性腎臓細胞アトラスのような複雑なデータセットにおいて、クラスタ再現性およびモデル適合度の信頼できる評価を可能にすること。

提案手法

  • 過分散を扱えるように、ポissonカウントスプリッティングの拡張としてネガティブバイノミアルカウントスプリッティングを提案する。
  • 各観測カウントを2つ以上の独立な負の二項分布カウントに分割するために、ディリクレ-multinomialサンプリングを用いる。
  • 全データセットから推定された遺伝子特異的過分散パラメータを用いて、元のデータを負の二項分布としてモデル化する。
  • 過分散パラメータを条件付きにし、対称的スプリット（例：ε₁ = ε₂ = 0.5）を用いることで、訓練およびテストデータセットの統計的独立性を保証する。
  • クラスタリング、ノイズ除去、関連性検定の下流評価のため、scRNA-seqデータを独立した訓練およびテストセットに分割する。
  • Rパッケージcountsplitおよび関連チュートリアルを介して、既存のscRNA-seqワークフローへの統合を実現する。
Figure 1: (a) Data $X\in\mathbb{Z}_{\geq 0}^{100\times 2}$ , where each entry $X_{ij}$ is drawn independently from a negative binomial distribution with mean $5$ and variance $10$ . (b) The same data $X$ , colored by the clusters estimated when $k$ -means with $K=2$ is applied to $\log(X+1)$ . (c) T
Figure 1: (a) Data $X\in\mathbb{Z}_{\geq 0}^{100\times 2}$ , where each entry $X_{ij}$ is drawn independently from a negative binomial distribution with mean $5$ and variance $10$ . (b) The same data $X$ , colored by the clusters estimated when $k$ -means with $K=2$ is applied to $\log(X+1)$ . (c) T

実験結果

リサーチクエスチョン

  • RQ1生物学的リピートが存在しない状況下でも、1つのscRNA-seqカウント行列から過分散下で統計的独立性を保ちつつ、独立した訓練およびテストデータセットを生成可能か？
  • RQ2過分散データ下で、ネガティブバイノミアルカウントスプリッティングはポissonカウントスプリッティングに比べて、モデル妥当性評価性能で優れているか？
  • RQ3標準的なサンプルスプリッティングでは、データの二重使用がscRNA-seqにおけるクラスタ再現性の推定値をどれほど誇張するか？
  • RQ4ヒト胚性腎臓のような複雑な組織において、ネガティブバイノミアルカウントスプリッティングは、主な細胞タイプと希少サブタイプ間の再現性の違いを検出可能か？
  • RQ5スプリット手順において過分散を考慮することで、クラスタ妥当性評価や遺伝子関連性検定などの下流解析において、より信頼性の高い推論が可能になるか？

主な発見

  • ネガティブバイノミアルカウントスプリッティングは、ポissonカウントスプリッティングが誘導する依存関係のため失敗するのとは異なり、過分散下でも1つのscRNA-seqマトリクスから独立した訓練およびテストデータセットを効果的に生成できる。
  • シミュレーションにおいて、ネガティブバイノミアルカウントスプリッティングは統計的独立性の維持と妥当なモデル妥当性評価の両面で、ポissonカウントスプリッティングを上回る性能を示した。
  • ヒト胚性腎臓細胞アトラスに適用した結果、メタネフロスル細胞サブタイプは主要な腎臓細胞タイプよりも再現性が低いことが判明したが、これは標準的なサンプルスプリッティングでは隠れていた。
  • 10回の反復において、メタネフロスルサブタイプの調整ランダ指数（ARIs）が低く、クラスタ安定性が低いことが示された一方で、標準的なサンプルスプリッティングではデータの二重使用のため再現性が誇張されていた。
  • アルゴリズム6におけるsctransformベースの過分散パラメータ推定は、データをポisson分布と仮定するのと比べてより現実的な再現性評価を可能にした。これは、過分散をモデル化することが重要であることを示している。
  • Rパッケージcountsplitにより、ネガティブバイノミアルカウントスプリッティングを既存のscRNA-seqパイプラインに統合可能であり、再現性のあるモデル妥当性評価および推論を支援する。
Figure 2: We generate $100,000$ independent realizations of $\mathbf{X}_{11}\sim\mathrm{NB}(25,8)$ . Then, for 50 values of $b_{1}^{\prime}$ ranging from $10^{-6}$ to $10^{6}$ , we split each of these realizations into $\mathbf{X}^{(1)}_{11}$ and $\mathbf{X}^{(2)}_{11}$ by applying Algorithm 2 with
Figure 2: We generate $100,000$ independent realizations of $\mathbf{X}_{11}\sim\mathrm{NB}(25,8)$ . Then, for 50 values of $b_{1}^{\prime}$ ranging from $10^{-6}$ to $10^{6}$ , we split each of these realizations into $\mathbf{X}^{(1)}_{11}$ and $\mathbf{X}^{(2)}_{11}$ by applying Algorithm 2 with

より良い研究を、今すぐ始めましょう

論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。