北京有白癜风专科医院吗 https://baike.baidu.com/item/%E5%8C%97%E4%BA%AC%E4%B8%AD%E7%A7%91%E7%99%BD%E7%99%9C%E9%A3%8E%E5%8C%BB%E9%99%A2/9728824?fr=aladdin大家好！我是国科东方绿豪克，我是生命科学方向的博士。
进行完单细胞数据标准化后，就要进行后续的降维（DimensionalityReduction）和细胞亚群的鉴定等后续分析。但在进行这些后续分析前，还需要进行scRNA-seq数据的imputation（ImputationofScRNA-seqData）。
那么为什么要进行单细胞数据的imputation呢？这其中主要与Dropouts有关，因为在单细胞RNA-seq实验过程中，会产生因原始RNA扩增失败而导致的缺失值（droputs）。
前面的内容已经讲过，dropouts主要跟实验选择的方案有关，也与每个细胞测序的reads量相关。因为实验过程中产生的dropouts，导致后续分析中增加了细胞间的变异。同时对每个基因而言，导致基因表达分析失去真实性，也对基因间调控网络的分析存在误差。这些无法检测到dropouts，对后续的分析将有很大的影响，因此需要采用一些算法来进行imputation，从而保证下游分析的正确性。
下面我给大家介绍集中imputation的方法，imputation是一种用替代值替换缺失数据的有效方法。
1.SAVER：
该方法通过表达恢复进行单细胞分析，该方法基于贝叶斯模型，借用跨基因和细胞的信息来插补零值并改善所有基因的表达（如使用质量控制后的具有UMI计数的scRNA-seq数据）。
使用SAVER后，利用Seurat对参考、观察和恢复的数据集进行细胞聚类，SAVER的聚类准确性要明显高于MAGIC和Sclmpute（这两种方法后面会介绍）。同时对小鼠视觉皮层细胞数据进行分析，利用SAVER进行imputation后，可以清晰地区分各种亚型细胞类群，而未进行SAVER的数据，则几乎无法区分亚型。
2.MAGIC：
MAGIC（Markovaffinity-basedgraphimputationofcells）方法基于马尔可夫亲和力的细胞图插补法，通过数据扩散的方式在相似细胞间共享信息。
下图为MAGIC的插补流程，利用MAGIC方法可以恢复数据中较精确的表型结构，使后续的发育轨迹和聚类都可以有很好的结果。同时，该方法还在不同的生物系统和测量技术中得以验证，表明MAGIC是进行数据imputation良好的工具。
3.Sclmpute：
Sclmpute相比SAVER和MAGIC，可以在不引入新的偏差的情况下计算dropout值。该方法考虑到SAVER和MAGIC可能将细胞中未受dropout影响的基因进行恢复，所以sclmpute利用混合模型来定位可能的缺失值，之后对其进行插补。具体的原理如下图所示：
利用模拟数据进行评比，Sclmpute较MAGIC和SAVER，在进行完imputation后，细胞类群的分析结果更好。
同时，在PBMC数据集中利用Sclmpute进行imputation后，细胞亚群的分析结果有较为明显的提升，也表明该方法具有很好的imputation效果。
