Navigating Common Pitfalls in Single Cell Omics

Information om ændringer i en organismes fænom ved sundhed og sygdom udgør fundamentet for sygdomsbehandling. Dette afhænger til gengæld af vores forståelse af cellulær heterogenitet. Enkelt-celle sekventeringsteknologier har givet os nøglen til dette; dog kan teknologiske artefakter der opstår under de eksperimentelle forhold ved generering af data, præsenterer betydelige forhindringer. Disse artefakter kan forårsage mærkværdige resultater og hindre biologisk meningsfulde resultater i analyser, hvilket nedsætter farten for hvorledes biomedicin og lægevidenskab kan udvikles. Et sådant artefakt kan være baggrundssignaler, der defineres som molekylære egenskaber der ikke stammer fra en pågældende celle. Disse tekniske artefakter detekteres og håndteres af en række af computer software. For dekontaminering af den utilsigtede inklusion af baggrundssignal i dråbebaserede enkelt-celle RNA-sekventering, er der blevet præsenteret syv forskellige metoder. Med adskillige metoder tilgængelige i valg af software til en enkelt opgave, er det af yderste vigtighed at forstå deres styrker og svagheder gennem grundig uafhængig og vidtrækkende benchmarking. Derfor blev et omfattende benchmarkingstudie her udført for at vurdere præstationen af hver metode tilgængelig for computerbaseret dekontaminering af RNA-baggrundsstøj, navngiveligt CellBender, DecontX, SoupX, scAR, FastCAR, scCDC, and CellClear, samt deres effekt på biologisk fortolkning af data. Eksperimenter af en blanding af arter, et eksperiment med blanding af genotyper, simulerede datasæt, og et smart-seq2 datasæt blev analyseret. De dækker hver især forskellige aspekter af denne komplekse opgave. Denne afhandling eksemplificerer utvetydigt vigtigheden af formel og grundig vurdering af computerbaserede metoder i analysen af enkelt-celle data. For første gang i denne detaljegrad vises det hvor foruroligende forskellig påvirkning disse dekontamineringsmetoder kan vise. Metoder der skader analyse i stedet for at gavne kunne blive benyttet i god tro men uden videnskabelig stringens, når forskere antager fordele ved sådanne. Ydermere fastlægger det vigtigheden af tekniske forstyrrende faktorer såsom RNA-baggrundsstøj, og hvordan dette kan håndteres. Vi fandt at CellBender generelt ydede de bedste resultater, efterfulgt af DecontX og SoupX, der generelt udviste god præstation. Ingen af metoderne udviste dog bedste præstation i alle målværdier og datasæt der blev evalueret. Dette arbejde yder nye, fundamentale, og usete indsigter i vigtigheden af effektiv kvalitetskontrol af enkelt-celle sekventeringsdata og de muligheder sådanne benchmark studier kan yde for forbedrede analyser.