bioRxiv 生物信息学· Ma, L., Li, J. J., Sankaran, K. ·· 8 天前AI 评分56
scDeepSim 预印本:用结构化变分自编码器与潜在扩散生成可控单细胞模拟数据
scDeepSim: Deep Generative Simulation for Controlled Benchmarking of Single-Cell Methods

AI 导读
预印本提出 scDeepSim,将结构化变分自编码器与 latent diffusion 结合,生成带完整基准真值的合成单细胞表达谱。用户可按自定强度干预选定的生物学或技术因素;作者用它基准测试批次校正与轨迹推断方法,展示批次效应强度如何影响批次混合与细胞类型保留,以及轨迹几何与噪声如何影响伪时间恢复。模拟器与实验代码已在 GitHub 公开。
- 背景
- 单细胞计算方法评测需要真实数据与可靠真值,但真实数据标注成本高,且难以覆盖方法被使用的多样场景。模拟器能生成真值完全已知、结构可定制的合成数据,以补足这一缺口。现有单细胞模拟器大致分统计类与深度生成类。
- 做法
- scDeepSim 将结构化变分自编码器与潜扩散结合,生成单细胞表达谱合成数据。用户可在自选强度上干预指定生物学或技术因素,得到带基准真值的逼真数据集。作者用其评测批次校正与轨迹推断方法。
- 结论
- 在批次校正评测中,批次效应强度影响批次混合与细胞类型保持;在轨迹推断评测中,轨迹几何与噪声影响伪时间恢复。这两组结果来自模拟数据上的基准实验,原文未给出具体效应量。
- 意义
- scDeepSim 让研究者在逼真模拟数据中改变选定的生物学与技术因素,并评估这些变化如何影响单细胞分析方法的表现,从而帮助判断方法何时可被恰当应用。方法与实验代码已在 GitHub 公开。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:bioRxiv 生物信息学 · biorxiv.org