scanpy数据整合批次效应去除原理

引用:葬花朴

1.scanpy.external.pp.mnn_correct**

第一步:将表达量按细胞进行归一化,计算细胞之间归一化后的Euclidean距离。

第二步:识别MNN(mutual nearest neighbors, 相互最近的邻居):假设两个batch,寻找batch1中每一个细胞的在batch2中最近的k个细胞(knn1),对batch2进行相同操作(knn2),knn1和knn2的关系的交集就是MNN。

关键1:一对MNN细胞的差异完全来源于批次效应;

关键2:三个假设a)两个批次中至少有1种相同的细胞类型, b) 批次效应与生物子空间(基因表达特征张成的空间)正交,c)批次效应变异远小于不同细胞类型之间的变异。

第三步:对于一个MNN对,计算pair-specific批次矫正向量:两个细胞的向量之差。

细胞特异性的batch-correction vector = 这些pair-specific批次矫正向量的加权平均

细胞表达量的转换策略来自 [Haghverdi et al., 2018]

2.scanpy.external.pp.scanorama_integrate

关键:不限于两个数据集的MNN,而是发现多个数据集中的相似性,对数据的顺序不明感

降维后再找邻近关系,通过一些算法提升临近关系寻找的速度;

Scanorama同时完成整合和去除批次效应,通常只进行低维的整合

看一下这里的批次效应矫正是如何进行的:

假如有两个数据集Di,Dj,已经确定Mij是他们之间的MNN对,通过rij描述两个数据之间的总体匹配程度,匹配程度反应了两个数据集是否是同一个panorama

matching vectors是两个数据MNN对的差(长度为matchDi细胞数)

当想去除Di的批次效应的时候,计算Di中细胞与matchDi细胞的权重矩阵(Di细胞数 * matchDi细胞数)

用这个权重矩阵加权平均matching vectors = 就是转换向量 translation vector(这个类似于MNN矫正的过程)

每个细胞得到各自的转换向量,这个转换向量可以在高维基因表达的层面计算,也可以在降维后的层面计算

细胞表达量的转换策略来自 [Haghverdi et al., 2018]

3.scanpy.external.pp.harmony_integrate

矫正PCA

迭代两个互补的过程:聚类 + 线性模型批次矫正


image.png

本质上不修改表达量

4.scanpy.external.pp.bbknn

在umap之前调整knn图,不做表达量的改变

顺便回顾一下SeuratV3的整合策略

第一步也是寻找anchor,anchor表示那些不同数据集中生物状态相同的细胞(FindTransferAnchors 函数)。

在降维过程中选用CCA (canonical correlation analysis) ,CCA的优势是发现两个数据集中共有的相关基因模块;PCA只能识别单个数据中的变异

根据降维的结果计算MNN,这里叫anchor,通过两步法过滤anchor;

计算anchor的权重矩阵,该矩阵描述每个query细胞和anchor细胞的关系,矩阵的构建依赖于:1query细胞和anchor细胞,2之前计算的anchor打分,这个权重矩阵的作用是不同细胞类型的anchor的区分。

细胞表达量转换的过程基于 [Haghverdi et al., 2018]

所以整合的方法已经够用了,关键按照研究目的选择最优的方法就好。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,616评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,020评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,078评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,040评论 1 285
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,154评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,265评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,298评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,072评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,491评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,795评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,970评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,654评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,272评论 3 318
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,985评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,223评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,815评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,852评论 2 351

推荐阅读更多精彩内容