scRNA-seq数据的整合算法研究.pdf

哈尔滨工业大学应用统计硕士专业学位论文

摘要

单细胞RNA测序数据的研究通常需要整合多个数据集进行分析，实验批

次、实验环境等系统差异的存在，数据集之间可能存在批次效应，直接整合不

同批次的数据集可能产生技术差异掩盖生物差异的问题，从而影响下游分析，

得出错误的生物学结论。因此，去除技术差异，保留真正的生物差异，有效整

合多个批次的异质单细胞RNA测序数据集，是亟待解决的热点和难点课题。

本文提出了一种整合单细胞RNA测序数据集的算法icPCA.该算法旨在识

别所有的变异源，并对全局进行一致的线性降维，同时去除批次效应。本文使

用icPCA算法整合了两套模拟数据集和两套真实数据集，并评估了icPCA算法

整合多个批次的单细胞RNA测序数据集的性能。实验结果表明，icPCA算法

的性能评估指标高于Seurat等主流算法，并且在真实数据集的整合结果中，

icPCA算法保留了Seurat等主流算法未保留的生物学信号。

icPCA算法首先对每个批次的单细胞RNA测序数据集进行预处理，接下

来，对数据集进行降维，在降维空间中对每个批次的细胞进行预聚类，识别未

配对的最近邻细胞，然后将满足预设条件的细胞类型扩充进背景数据集，构建

出包含所有细胞类型的背景数据集，最后对所有批次的数据集和背景数据集进

行icPCA降维整合，得到去除批次效应的整合结果。

总之，icPCA算法能够整合来自不同测序平台的单细胞RNA测序数据集，

并且可以整合较大规模的单细胞RNA测序数据集，同时与Seurat等主流方法

相比具有较好的性能。

关键词：单细胞RNA测序；数据整合；批次效应；对比主成分分析

-I-

哈尔滨工业大学应用统计硕士专业学位论文

Abstract

Thestudyofsingle-cellRNAsequencingdatausuallyrequirestheintegrationof

multipledatasetsforanalysis.Withtheexistenceofsystematicdifferencesin

experimentalbatches,experimentalenvironments,etc.,theremaybeabatcheffect

betweendatasets,andthedirectintegrationofdatasetsfromdifferentbatchesmay

createtheproblemoftechnicaldifferencesmaskingbiologicaldifferences,thus

affectingdownstreamanalysisanddrawingwrongbiologicalconclusions.Therefore,

removingtechnicaldifferences,retainingrealbiologicaldifferences,andeffectively

integratingheterogeneoussingle-cellRNAsequencingdatasetsfrommultiplebatches

arehotanddifficulttopicstobesolved.

Inthispaper,weproposeanalgorithmicPCAforintegratingsingle-cellRNA

sequencingdatasets.Thealgorithmaimstoidentifyallsourcesofvariation,achieve

consistentgloballinea