EL-PACA：一种用于单细胞转录组数据精准细胞类型注释的集成低维投影方法

《Scientific Reports》：EL-PACA: ensembled low-dimensional projections for accurate cell-type annotation using deep learning for single-cell transcriptomics of human tissues and organoids

摘要

单细胞转录组学正在革新人类细胞类型和疾病机制的发现。在复杂的神经组织和疾病中，准确的人类细胞亚型注释仍然面临挑战，原因在于尸检组织供应匮乏、替代模型中体外培养的特异性影响，以及疾病过程中出现的细胞丰度低或瞬时状态。在此，我们提出了一种用于准确细胞类型注释的集成低维投影方法（EL-PACA），这是一个计算高效的框架，通过将无监督主成分分析与有监督多元判别分析相结合，在训练深度分类器之前提高类间可分性。EL-PACA 在大多数血液和胰腺细胞的基准测试数据集上均优于现有最先进方法。重要的是，它能够在源自人类神经组织的真实世界数据集中实现准确的细粒度细胞类型识别。将 EL-PACA 应用于尸检人脑和三维脑类器官的单细胞及单核 RNA 测序数据集，我们表明结合有监督与无监督投影能够实现高效、高精度的注释，并在不同的分析方法中展现出具有竞争力的性能。总之，EL-PACA 有助于发现与复杂疾病机制相关的稀有或瞬时细胞类型。该框架已公开提供，网址为 https://github.com/umar1196/EL-PACA.