CycleMix: Gaussian Mixture Modeling of the Cell Cycle
Notice bibliographique
Résumé
Abstract Motivation The cell cycle is a crucial component of many biological processes, including cancer, tissue repair, and inflammation. However, due to the heterogeneity of this cycle it has been difficult to assess the extent of proliferation in clinical tissues. Single-cell RNAseq (scRNAseq) and spatial transcriptomics enables high resolution measurement of gene expression enabling the classification of individual cells into their cycling state. However, current methods are limited to classifying cells into only three states: G1, S, G2M and have unproven accuracy on modern datasets. Results We show that Seurat and cyclone the most widely used methods for cell cycle assignment have poor performance on modern droplet-based datasets. In particular, Seurat frequently labels mature non-cycling cells (e.g. neurons) as actively cycling. We present CycleMix, an alternative cell cycle assignment algorithm that can flexibly assign cells into any number of states provided sufficient marker genes as well as being capable of identifying when cells are not cycling. We demonstrate its superior performance for cell cycle assignment and regression of cell cycle expression patterns on six diverse droplet-based scRNAseq datasets. Availability and implementation CycleMix is available as an R package on Bioconductor, and on github: https://github.com/tallulandrews/CycleMix
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».