核心概念
不同的 RNA 速度計算方法在預測細胞軌跡方面表現出差異,這凸顯了在進行細胞命運預測時,比較多種方法的重要性,並鼓勵使用實驗方法驗證這些預測。
摘要
多種生物背景下 RNA 速度的挑戰與進展:比較分析
這篇研究論文評估了五種 RNA 速度計算方法在三個發育數據集上的表現,分析了它們的局部一致性、方法一致性、驅動基因的重疊以及對測序深度的穩健性。
比較和評估五種常用 RNA 速度計算方法的性能,這些方法包括 Velocyto、scVelo(隨機和動態模型)、UniTVelo 和 DeepVelo。
評估這些方法在三個不同發育單細胞 RNA 測序數據集中的表現,這些數據集包括小鼠胰腺發育、斑馬魚受精後 24 小時全胚胎和斑馬魚神經中胚層祖細胞譜系。
**局部一致性(LC):**評估鄰近細胞中速度向量的方向一致性。
**方法一致性(A1 和 A2):**比較不同方法預測的細胞軌跡方向和與所有方法計算的中間向量的相似性。
**驅動基因重疊:**使用 CellRank 識別和比較不同方法預測的每個細胞軌跡的關鍵驅動基因。
**對測序深度的穩健性:**通過對數據進行二次抽樣來模擬不同的測序深度,並評估速度預測的穩健性。