CGM第522期：单细胞多组学整合算法基准研究
面对不同模态、配对方式和数据质量，怎样选择单细胞整合算法？本期介绍40种方法的系统基准，从可用性、准确性和鲁棒性比较适用场景。
傅沙镠
同济大学生命科学与技术学院 · 博士后
报告人傅沙镠博士是同济大学生科院刘琦课题组博士后，在同济大学生科院获得硕士学位和博士学位。傅博士的主要研究方向是基于多组学整合的基因转录调控研究，包括使用数学模型、机器学习模型和深度学习模型整合多组学数据，挖掘新转录调控机制和靶点。
活动回放
在 Bilibili 打开完整回放 ↗近年来，单细胞多模态数据测序技术取得诸多重要突破，进而在各研究领域都从单细胞多组学手段开展系统研究。这些大量公开发表单细胞多组学实验数据集极大推动了多模态整合工具的研发的进程。然而，当前缺乏能够系统评估不同整合场景下算法性能的基准体系，包括多样化的数据集类型、模态组合、数据规模及质量条件。针对这一需求，本研究构建了涵盖40种整合算法的系统性基准测试框架，涉及DNA、RNA、蛋白质与空间组学模态，适用于配对、非配对及混合型数据集。通过可用性、准确性和鲁棒性三个维度的综合评估，为研究者根据具体数据特征和应用目标选择最优整合方法提供实践指导。本基准研究将为单细胞多组学领域的方法选择与工具开发提供重要参考。
参考文献
- Shaliu Fu, Shuguang Wang, Duanmiao Si, Gaoyang Li, Yawei Gao, Qi Liu. Benchmarking single-cell multi-modal data integrations. Nature Methods. 2025;22(11):2437-2448. DOI: 10.1038/s41592-025-02737-9
评论（0）
登录后即可发表评论。
登录暂无评论，来发表第一条评论吧！