A Review of scRNA-seq Imputation Methods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Single-cell RNA sequencing (scRNA-seq) has emerged as a powerful tool for profiling gene expression at the individual cell level, enabling the discovery of cellular heterogeneity that traditional bulk RNA sequencing cannot capture. However, technical limitations such as low transcript capture efficiency, amplification biases, and limited sequencing depth have led to pervasive dropout events, where true gene expression is obscured by excessive zero counts. This review systematically examines and compares the principal imputation methods developed to address these challenges in scRNA-seq data analysis. We categorize these approaches into two broad groups: model-based methods and deep learning methods. Model-based techniques utilize probabilistic models or matrix factorization to exploit similarities among cells and genes—either independently or in combination—to predict and restore missing values. In contrast, deep learning methods leverage the capabilities of autoencoders, graph neural networks, and other innovative network architectures, including generative adversarial networks, to capture complex nonlinear relationships within high-dimensional, noisy data. While model-based approaches offer greater interpretability through explicit statistical assumptions, they are often limited by their sensitivity to noise and data sparsity. Deep learning strategies, although computationally intensive and less interpretable, excel in recovering intricate data structures in large-scale datasets. By providing a comprehensive overview of these imputation strategies, this review aims to guide researchers in selecting the most appropriate methods for their specific datasets and downstream analyses, and to suggest future directions for improving imputation accuracy and integrating multi-omics data.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle