Supplementary data for "Evaluation of methods to assign cell type labels to cell clusters from single-cell RNA-sequencing data" (Diaz-Mejia JJ et al, 2019)
Notice bibliographique
Résumé
Five scRNA-seq datasets from human liver cells (MacParland et al, 2018), mouse retinal neurons (Shekhar et al, 2016), Tabula Muris (Tabula Muris Consortium, 2018) and two peripheral blood mononuclear cell (PBMCs) datasets (Zheng et al, 2017) and (Gierahn et al., 2017) were processed and curated as described by Diaz-Mejia et al 2019 to use them as inputs for benchmarking of cell cluster labeling methods. Five types of files are provided: a) Single-cell RNA-sequencing (scRNA-seq) cell cluster average gene expression matrices (*E_xy_matrix.tsv) b) Cell type gene expression signatures in the form of gene sets (*gmt), binary (*binary_profile.tsv) and continuous profiles (*continuous_profile.tsv) c) Reference cell type gold standard annotations (*gold_standards.tsv) d) Supplementary Table 1, containing ROC AUC, PR AUC and computing times reported by Diaz-Mejia et al 2019 in Figure 6. e) Supplementary Table 2, containing ROC AUC, PR AUC analysis of the PBMC datasets using either the LM22 (Newman et al 2015) or the Monaco et al (2019) cell type signatures. Note: as described in Diaz-Mejia et al 2019, the PBMC and Tabula Muris datasets were analyzed in two ways each: i) pbmc-22-10x and pbmc-6-10x, ii) pbmc-22-seqwell and pbmc-6-seqwell, and iii) tabula_muris_11 and tabula_muris_6.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 tête enseignante, 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 ».