专栏首页科研菌如何优化一个传统分析方法还发了14分

如何优化一个传统分析方法还发了14分

今天跟大家分享的是2020年1月发表在Genome Biology(IF=14.028)杂志上的一篇文章Benchmarking principal component analysis for large-scale single-cell RNA-sequencing。文章中作者对大规模单细胞RNA测序的基准主成分进行了分析。

Benchmarking principal component analysis for large-scale single-cell RNA-sequencing大规模单细胞RNA测序的基准主成分分析

一. 研究背景

单细胞RNA测序(scRNA-seq)技术的出现使许多类型的细胞异质性检查成为可能。例如,由各种组织组成的细胞亚群,稀有细胞和干细胞壁,与细胞周期进程有关的连续基因表达变化,空间坐标, 许多scRNA-seq研究已经捕获了分化成熟度的差异。由于细胞异质性的测量高度依赖于同时测量的细胞数量,因此已经开发了各种各样的大规模scRNA测序技术,包括那些使用细胞分选设备的技术,Fludigm C1 ,基于液滴的技术和ingle-cell组合索引 RNA测序(Sci-RNA-seq)。主成分分析(PCA)是一种适用于许多情况的常用UML算法。尽管其用途广泛,但仍有很多原因导致不清楚如何对大规模scRNA-seq进行PCA。

而主成分分析(PCA)是分析单细胞RNA序列的基本方法(scRNA-seq)数据集,但是对于大规模的scRNA-seq数据集,计算时间长且消耗大量内存,而一些快速PCA算法可能会忽略一些重要的差异基因表达模式。因此,需要一些快速且高效存储的PCA算法,实际的计算时间和存储效率在很大程度上取决于特定的实现,包括编程语言,加载输入文件的方法以及数据格式。在本研究中,作者检查了用于大型scRNA-seq数据集的快速且内存高效的PCA算法的实用性。

二. 分析流程

三. 结果解读

作者先回顾了一下现有的PCA算法及其实现(图1),图1是对这项工作中的基准测试概述。

图1a. 这项工作的示意图

图1b. 使用实际数据集进行基准测试的评估指标

图1c. 使用综合数据集进行基准测试的评估指标

1. 审查PCA算法和实现

PCA被广泛用于数据可视化,数据质量控制,特征选择,去噪,插补,批量确认和删除效应,细胞周期效应的确认和估计,稀有细胞类型检测,细胞类型和细胞状态相似性搜索,伪时间推断, 空间重建和其他非线性降维,聚类方法的输入等,并节省内存空间。各种各样的scRNA-seq数据分析工具都包括PCA作为内部功能,或者利用PC分数作为下游分析的输入。

作者回顾了现有的PCA算法和实现,并将算法分为六类,即基于相似度转换(SimT),基于下采样(DS),基于奇异值分解(SVD)基于更新(SU) ,基于Krylov子空间(Krylov),基于梯度下降(GD)和基于随机投影(Rand)。作者列出了21种PCA实施方案(包含10种算法),表1总结了已审查的PCA实施与scRNA-seq研究的对应关系。

表1. scRNA-seq研究中PCA实施的用例

2. 真实数据集

考虑到在有限的时间,计算资源和人力下评估的大量方法之间的权衡,作者选择了真实数据集进行基准测试。最新的scRNA-seq方法分为两个类别,即全长scRNA-seq方法和具有特定细胞解离和细胞/分子条形码技术的高通量scRNA-seq方法,例如基于液滴的和分离的池实验。因为通过后一种技术增加了用scRNA-seq测量的细胞数量,所以作者选择了以下四种通过这种技术生成的数据集:人外周血单核细胞(PBMC),人胰腺细胞(Pancreas),小鼠脑和脊髓 (BrainSpinalCord),以及来自皮层,海马和心室区的小鼠细胞(Brain)(表2)。

表2. 用于基准测试的真实数据集

3. PCA算法的准确性

在这里,作者通过使用四个实际数据集来评估各种PCA算法的准确性。为了分析PBMC和Pancreas数据集,作者将prcomp的结果设置为黄金标准, 将其他实现与该结果进行比较(1b和图2)。

需要说明的是,对于Brain-SpinalCord和Brain数据集分析,LAPACK的完整SVD在计算上很困难。当无法定义基本事实时,作者将方法相互比较。因此,作者只是使用几种不同的标准(例如特征值的大小和聚类精度)相互比较了方法的结果。

其中,图2为其他实现与prcomp结果进行比较结果汇总:图2a为作者的文献综述总结了理论性质;图2b为prcomp结果与每个实现相关的属性;图2c通过对真实数据集和综合数据集进行基准测试评估展示性能;图2d为通过一些指标评估的用户友好性。

图2. 其他实现与prcomp结果进行比较

首先,作者对每种PCA算法的结果进行了t随机邻居嵌入(t-SNE)和统一流形逼近和投影(UMAP),并对每种PCA算法的结果进行比较,并比较了原始研究检测到的簇结构的清晰度(图1b和3)。

图3比较t随机邻居嵌入(t-SNE)图。使用经验数据集执行的多个主成分分析(PCA)比较:PBMC(102个细胞),Pancreas (103个细胞),BrainSpinalCord(105个细胞)和Brain数据集(106个细胞)。使用每个PCA实施的结果执行t-SNE。由原始研究确定的一些不同的聚类被错误地合并为单个聚类(红色圆圈聚类)。其中:IncrementalPCA,主要是为了解决单机内存限制的。

图3. 比较t随机邻居嵌入(t-SNE)图

作者还对PCA实施的所有结果执行了Louvain聚类(图1b和图4),ARI值表明,与黄金标准或其他实现相比,下采样和sgd(OnlinePCA.jl)的结果更差。

其中,图4通过Louvain聚类结果的调整后的Rand指数(ARI)评估聚类准确性。针对PBMC(102个细胞),Pancreas (103个细胞),BrainSpinalCord(105个细胞)和Brain数据集(106个细胞)执行了多个主成分分析(PCA),并对PCA结果进行Louvain聚类。对于每个PCA结果,Louvin聚类进行十次,并计算平均值,分类标签与相应的原始论文相同。

图4. 聚类精度比较

接下来,作者对金标准的PC与其他PCA实现方案进行了全面比较(图1b和5a)。因为PC是单位向量,所以当两个PC指向相同或相反方向时,它们的叉积分别为1或− 1。作者进行了PCA优化,为所有比较计算了叉积的绝对值,范围为0到1,并评估了是否准确计算出了对应于较低特征值的较高PC。得出结论:特征向量,加载矢量中,下采样,orthiter / gd / sgd(OnlinePCA.jl)和PCA(dask-ml)都会随着PC尺寸的增加而变得不准确,PCA实施不正确可能会降低加载矢量的准确性。

其中,图5a计算了金标准方法的特征向量与其他主成分分析(PCA)实现的特征向量之间所有组合的叉积的绝对值。该值越接近1(黄色),则两个对应的特征向量彼此越接近。如果两个PCA结果相等但不考虑符号差异,则该图中的矩阵将变为单位矩阵。图5b计算了金标准方法的前500个最大绝对值元素与其他PCA实现的相交元素数量。该值越接近500(黄色),则两个相应的加载向量彼此越接近。如果两个PCA结果相等但不考虑其符号差异,则该图中矩阵的所有对角元素变为500。

图5. 特征向量所有组合,所有加载向量组合的比较

下采样,IncrementalPCA(sklearn)和sgd(OnlinePCA.jl)的特征值的分布也与其他实现不同(图6)。其中,图6a表示PBMCs,图6b表示Pancreas,图6c表示BrainSpincalCord,图6d表示 Brain;x轴表示每个主成分分析(PCA)实现的主要成分,y轴表示对应的特征值。

图6. 四个真实数据集特征值分布比较

4. 计算时间,内存使用率和可伸缩性

作者比较了所有PCA实现的计算时间和内存使用情况(图7)。对于Brain-SpinalCord数据集,降采样本身比大多数PCA实现要快,但是其他预处理步骤速度较慢;对于Brain数据集,下采样变得比大多数PCA实现要慢,并且随着数据矩阵大小的增加,这种趋势很明显,因为下采样基于LAPACK中的完整SVD。

其中,图7a展示了诸如二进制化和规范化之类的预处理步骤的经过时间(橙色条)以及每次PCA计算本身的经过时间(绿色条)。仅当对Brain数据集执行PCA实现时,作者才使用内部的Julia脚本进行预处理。这是因为无法将此数据集作为R语言的data.frame加载到内存空间。图7b展示了每个经验数据集计算的所有主成分分析(PCA)实现的内存使用情况(蓝色条形)。

图7. 比较经验数据集的经过时间和最大内存使用量

5. 文件格式与性能之间的关系

在辅助文件中,作者计算了oocPCA_CSV(R,oocRPCA),IncrementalPCA(Python,sklearn)和orthiter / gd / sgd / halko / algorithm971(Julia,OnlinePCA.jl)等核心实现中大脑矩阵的通过次数。在oocPCA_CSV(R,oocRPCA)和IncrementalPCA(Python,sklearn)中,数据矩阵以CSV格式传递给这些函数,在其他核心实现中,首先将数据矩阵二进制化并压缩得到Zstd文件格式。结果显示计算时间与实施的通过次数相关,二进制化和数据压缩大大加快了计算时间。并且,稀疏矩阵的使用可能加快scRNA-seq数据集的计算时间。

6. 用户指南

基于所有基准测试结果以及作者在这项工作中的实施,作者提出了一些用户指南(图8)。考虑到生物信息学研究结合了多种工具来构建用户的特定工作流程,因此编程语言是选择正确的PCA实施方案的重要因素。因此,作者根据语言对PCA实施进行了分类(即R [111],Python [112]和Julia [113];图8,按列)。除了数据矩阵的大小,作者还根据实现加载数据的方式(内存中或内核外)以及输入矩阵格式(密集或稀疏,按行,图8)对实现方式进行了分类。

其中,图8推荐的PCA实现基于书面语言和矩阵大小进行分类,还描述了每个PCA实施的推荐参数(红色)。在这里,作者将数据矩阵的GC值定义为基因数×细胞数。

图8. 用户指南

小结

在这项工作中,作者回顾了现有的快速且高效存储的PCA算法和实现,并评估了它们在大规模scRNA-seq数据集中的实际应用。这项工作提供了四个关键贡献:

  • 首先,作者回顾一下现有的PCA算法及其实现;
  • 其次,作者介绍了使用所选PCA算法和实现的基准测试;
  • 第三,作者为质量控制(QC),过滤和特征选择提供了一些PCA算法和实用程序功能的一些原始实现。所有命令都在快速且高效内存的Julia包中实现;
  • 最后,作者为最终用户和软件开发人员提出准则作者的基准测试表明,以选择合适的PCA实施方案,一些基于Krylov子空间和随机奇异值分解的PCA算法比其他算法更快,内存效率更高且更准确。

还是和往常一样,后台回复「7c」,即可获取今天小编为大家解读的文献。我们一起期待下一篇精彩的文献吧!

本文分享自微信公众号 - 科研菌(keyanjun2020),作者:桑葚Mulberry

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-06-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 送给你一份《生信入门指南》

    生信的作用越来越大,想学的人越来越多,不管是为了以后发展,还是为了解决眼下的问题。但生信学习不是一朝一夕就可以完成的事情,也许你可以很短时间学会一个交互式软件的...

    科研菌
  • 想让文章看起来工作量大?学学这篇文章的下游机制分析

    大家好,今天和大家分享的是一月份发表在International Journal of Biological Sciences (IF:4.858)杂志上的一篇...

    科研菌
  • 单基因简单生信分析加上3张免疫组化发4+

    大家好,今天和大家分享的是一月份发表在Frontiers in Oncology (IF:4.848)杂志上的一篇文章,“Prognostic Heteroge...

    科研菌
  • 跟我一起学docker(七)--Dockerfile

    IT故事会
  • 我从LongAdder中窥探到了高并发的秘籍,上面只写了两个字...

    时间过的真是快,新的一周又开始了。那么,你比上周更博学了吗?先来一个简短的荒腔走板,给冰冷的技术文注入一丝色彩。

    why技术
  • Python绘制漫天的雪花,漫步天涯

    雪意寒凉,冰冷了几世千年的轮回。繁华消落成颗颗泛黄泪珠,是凋零,还是化腐朽为神奇?

    阿黎逸阳
  • sql语句查看MySQL数据库大小

    参考链接:http://www.ttlsa.com/mysql/mysql-howto-find-the-database-and-table-size/

    二狗不要跑
  • ICO被监管之后,区块链将走向何方?为此我们采访了九位区块链专家

    区块链大本营
  • winserver的consul部署实践与.net core客户端使用(附demo源码)

    随着微服务兴起,服务的管理显得极其重要。都知道微服务就是”拆“,把臃肿的单块应用,拆分成多个轻量级的服务,每个服务可以在短周期内重构、迭代、交付。随着微服务的数...

    陈珙
  • ckplayer 如何在PC上完美支持 m3u8播放

    使用过ckplayer的同学都知道,相对jwplayer等,它非常的容易配置和使用。功能也是基本满足我们的需求的。 一般情况我们都使用普通的视频格式比如mp4,...

    smy

扫码关注云+社区

领取腾讯云代金券