评估去噪效果（使用无染色细胞和非表达蛋白）
评估scPDA去除背景噪音的能力，特别是对无染色细胞和非表达蛋白零表达目标的实现。
使用CITE-seq数据集，包含53,201个PBMC和87-抗体面板。通过密度图展示了CD8、CD4等标记物在无染色细胞中的表达分布，以及CD117、CD138等非表达蛋白的表达分布。计算了噪音减少系数（NRC）以定量比较不同方法（GMM、DSB、scAR、DecontPro、scPDA）的去噪效果。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
scPDA：在基于液滴的单细胞数据中对蛋白质表达进行去噪
scPDA: denoising protein expression in droplet-based single-cell data
实验完整度
高对多种数据集进行了广泛的基准测试，包括与四种现有去噪方法的对比，并通过无标记阴性对照、门控策略、差异表达分析和背景概率评估验证了方法的有效性。
主要模型
CITE-seq 数据集 (PBMC, 各种样本) TEA-seq 数据集 (PBMC)
重点核对
数据集的来源和类型，如CITE-seq、TEA-seq 细胞数量和抗体面板，如53,201 PBMCs和87抗体、30,672骨髓细胞和25抗体、PBMC和188抗体 数据集的下载链接或访问方式 默认超参数设置，如层节点数100和50、隐空间维度15、批大小256、初始学习率0.005等
摘要
基于液滴的蛋白质组学分析技术（如CITE-seq）常受到技术噪音的污染。当前的计算去噪方法存在严重局限性，包括对通常不可用的空液滴或零对照的强烈依赖，以及由于忽略蛋白质-蛋白质相互作用而导致的效率不足。在此，我们介绍了scPDA，一种采用变分自编码器的概率模型，以实现高计算效率。scPDA消除了对空液滴的使用，并在蛋白质之间共享信息以提高去噪效率。与现有方法相比，scPDA显著提高了基于门控策略的细胞类型鉴定的效率，标志着蛋白质模态计算去噪的明显进步。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何开发一种高效且不依赖空液滴的计算方法，以去除基于液滴的单细胞蛋白质数据中的背景噪音。
- 核心机制
- scPDA采用变分自编码器对原始计数使用双组分负二项混合模型，并通过惩罚项增强生物信号与背景噪音的区分，在蛋白质间共享信息以提高去噪效率。
- 主要证据
- 在多个数据集上，scPDA在降低无染色细胞和非表达蛋白的计数、提高基于门控策略的细胞类型鉴定效率、增加差异表达分析的LFC以及改进背景概率估计（如AUC值）方面优于GMM、DSB、scAR和DecontPro。
- 研究意义
- scPDA提供了一种高效且广泛适用的去噪方法，可显著改善下游分析，如细胞类型鉴定和差异表达分析。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
评估对标准化数据（CLR值）的改进
评估scPDA去噪后对CLR变换数据的影响，特别是对标记物和非标记物相对表达水平的影响。
使用CITE-seq数据集（30,672骨髓细胞，25抗体）。比较了去噪前后NK细胞、CD4记忆T细胞、MAIT细胞和CD14单核细胞中各蛋白的CLR值分布，并计算了每个细胞类型的NRC，与GMM、DSB、scAR、DecontPro进行比较。
评估对门控策略的增强
评估scPDA去噪后是否改善了基于门控策略的细胞类型分类效率。
使用CITE-seq数据集（PBMC，188抗体）。作者采用基于CD3、CD19、CD4、CD8、CD14、CD16和CD56的门控策略将细胞分为五类。比较了去噪前后细胞分类的情况，并通过RNA模态聚类验证新分配的标签的准确性。
评估对差异表达分析的增强
评估scPDA去噪后对蛋白差异表达分析（LFC）的影响。
使用与上述相同的PBMC数据集。比较了去噪前后CD4、CD8等蛋白的LFC值，并构建了点图以可视化不同方法去噪后的蛋白表达模式，计算了稀疏性得分。
评估背景概率的改进
评估scPDA估计的背景概率是否比GMM更准确。
使用TEA-seq数据集（PBMC，18,011细胞，46蛋白）。比较了scPDA与DSB、DecontPro、scAR和GMM在CD3、CD4、CD40等蛋白上的AUC和LFC。通过散点图和UMAP可视化比较了scPDA和GMM的背景概率估计。
评估多模态整合的增强
评估scPDA去噪后的蛋白数据与RNA整合是否能改善细胞聚类。
使用CITE-seq数据集（来自[21]），采用Seurat的WNN整合流程，将原始或scPDA去噪的蛋白数据与RNA数据整合，然后使用FindClusters识别聚类。比较了整合后的UMAP图，并检查了聚类是否反映真实生物学。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据获取 | 需要验证数据集的来源和访问方式，例如从指定链接下载或通过SeuratData加载。 阅读提示：数据可用性部分 |
| scPDA模型训练 | 默认参数设置：100和50个节点、15个潜变量、批大小256、初始学习率0.005、w=0.25、λα=0.1；优化器Adam，学习率指数衰减0.99，训练500轮。 阅读提示：Methods 部分 'Training and hyperparameter selection' |
| 基准方法使用 | 对于GMM，使用mclust包拟合；对于DSB，选择是否使用空液滴；对于scAR，需要设置ambient_profile；对于DecontPro，需提供细胞聚类标签。 阅读提示：Methods 部分 'Benchmark against GMM', 'Benchmark against DSB', 'Benchmark against scAR', 'Benchmark against DecontPro' |
| 数据预处理和注释 | 对于TEA-seq数据，需进行RNA-based的标签转移，且只保留预测分数高于0.8的细胞。 阅读提示：Methods 部分 'Cell-type annotation for the TEA-seq dataset' |