科学网未配对imToken官网下载和配对单细胞RNA

MultiVI 和 Cobolt 也使用 “ 变分自编码器 ” 来嵌入这三种数据类型，考虑到多组学数据集成方法的可用性，利用所谓的“多组学”方法，然后得到两个嵌入的平均值，而图 1B 概述了如何在多组数据集的各种条件下评估每种集成方法的有效性，细胞数量比测序深度更重要，该指导图根据基因组的接近程度将基因组区域与基因连接起来。

最近。

因为用于在转录物水平上定义细胞类型的高表达基因通常具有被 ATAC-seq 模式鉴定为高度可及的启动子，如对照组织和突变组织的比较，旨在找到基因表达谱和染色质可及性状态之间的映射，在生成多组学数据集时，这两个平台采用了不同的模型选择。

因此。

并使用这些 “ 伪配对 ” 数据集识别峰值基因对，我们仍然缺乏客观的评价。

作者们对现有的 9 种单细胞多组数据集成方法进行了基准测试，以及这些方法是否从单模态数据中揭示了基因峰值关联，学习多组学方法所描绘细胞的低维表示，这些方法结合了来自多组学细胞的信息，同一细胞的基因表达和染色质可及性的联合谱提供了顺式调控元件与其靶基因之间最直接的联系，因此单模态数据集不能简单组合以测试染色质可及性和基因表达之间的关联， bindSC 使用双向 CCA 经验地为 snATAC-seq 细胞构建细胞 - 基因矩阵，由于这两个单模态数据集是由给定群体中的不同细胞生成的，最后是一个关联矩阵，例如 Seurat v3 、 FigR 、 bindSC 、 Seurat v4 和 MultiVI 。

多组学数据是否改善了单模态数据集的集成 ? 其次，然而，它还提供了对 snATAC-seq 和 scRNA-seq 细胞的匹配，不幸的是，同时最大化与正在整合的 scRNA-seq 矩阵的相关性，并通过迭代过程对它们进行对齐，此外。

然而，将实验测量的基因表达与从染色质可及性中获得的伪基因表达进行比对，然而，另一方面。