A hybrid demultiplexing strategy that improves performance and robustness of cell hashing
Notice bibliographique
Résumé
Abstract Recent advances in single cell RNA sequencing allow users to pool multiple samples and demultiplex in downstream analysis, which greatly increase experimental efficiency and cost-effectiveness. Among all the demultiplexing methods, nucleotide barcode-based cell hashing has gained widespread popularity due to its compatibility and simplicity. Despite these advantages, certain issues of this technic remain to be solved, such as challenges in distinguishing true positive from background, high reagent cost for samples with large cell numbers, and unpredictable false negative and false doublet rates. Here, we propose a hybrid demultiplexing strategy that increases calling accuracy and cell recovery of cell hashing without adding experimental cost. In this approach, we computationally cluster all single cells based on their natural genetic variations and assign donor identity by finding the dominant hashtag in each genotype cluster. This hybrid strategy assigns donor identity to any cell that is identified as singlet by either genotype clustering or cell hashing, which allows us to demultiplex most majority of cells even if only a small fraction of cells are labeled with hashtags. When comparing its performance with cell hashing on multiple real-world datasets, this hybrid approach consistently generates reliable demultiplexing results with increased cell recovery and accuracy. Key Points The improved cut-off calling tool, HTOreader, accurately distinguishes true positive from background signal for each individual hashtag. The hybrid demultiplexing strategy increases cell recovery of cell hashing by increasing cut-off calling accuracy and decreasing false negative and false double rates. The hybrid strategy enhances cost-effectiveness of cell hashing and consistently produces reliable demultiplexing results, regardless of hashtag staining quality. The hybrid strategy can be seamlessly integrated into a variety of single-cell experimental protocols and analytic pipelines.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».