A Review of scRNA-seq Imputation Methods
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.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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 ».