Statistical modeling, estimation, and remediation of sample index hopping in multiplexed droplet-based single-cell RNA-seq data
Notice bibliographique
Résumé
Abstract We introduce a probabilistic model for estimation of sample index-hopping rate in multiplexed droplet-based single-cell RNA sequencing data and for inference of the true sample of origin of the hopped reads. Across the datasets we analyzed, we estimate the sample index hopping probability to range between 0.003–0.009, a small number that counter-intuitively gives rise to a large fraction of ‘phantom molecules’ – as high as 85% in a given sample. We demonstrate that our model-based approach can correct for this artifact by accurately purging the majority of phantom molecules from the data. Code and reproducible analysis notebooks are available at https://github.com/csglab/phantom_purge . Structure Section 1 provides a concise summary of the paper. Section 2 provides a brief historical and technical overview of the phenomenon of sample index hopping and an explanation of related concepts. The three sections that follow describe the statistical modeling approach and correspond to the following three goals. (1) Building a generative model that probabilistically describes the phenomenon of sample index hopping of multiplexed sample reads (Section 3). (2) Estimating the index hopping rate from empirical experimental data (Section 4). (3) Correcting for the effects of sample index hopping through a principled probabilistic procedure that reassigns reads to their true sample of origin and discards predicted phantom molecules by optimally minimizing the false positive rate (Section 5). Next, Section 6 details the results of the analyses performed on empirical and experimental validation datasets. The Supplementary Notes consists of three sections: (1) Mathematical Derivations, (2) Overview of Computational Workflow, (3) Method’s Limitations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».