单细胞工具 | cnnImpute：基于卷积神经网络模型的全新scRNA-seq数据插补工具

由于固有的低信噪比和存在过多的缺失值，单细胞测序（scRNA-seq）数据分析存在独特的挑战。2024年2月，《Scientific Reports》发表了一种新的基于卷积神经网络（CNN）的方法——cnnImpute，旨在解决scRNA-seq中数据缺失的问题。

cnnImpute是什么？

cnnImpute是一种基于CNN的新插补方法，旨在恢复缺失值。其使用伽马正态分布来估计丢失概率，重点是只输入那些丢失可能性很高的表达式值。与标准神经网络中的完全连接层相比，基于CNN的方法在不牺牲信息的情况下有效地降低输入数据的高维性，并支持参数共享，从而提高效率并简化训练。

cnnImpute的性能测试

通过综合评估，cnnImpute证明了其在scRNA-seq数据分析中准确输入缺失值的有效性，同时保持了细胞簇的完整性，在各种对标实验中取得了优异的性能。

准确恢复缺失值

在两个真实的 scRNA-seq 数据集将cnnImpute与其他插补方法（ALRA、bayNorm、DCA、DeepImpute、MAGIC、SAVER、scGNN、scImpute、scVI 和 SDImpute）进行比较：cnnImpute 在各种数据集上始终表现出可靠的准确性。

改进细胞类型检测

与使用原始数据形成的聚类相比，cnnImpute生成的估算数据提高了细胞聚类的质量，如所有三个数据集的纯度、熵和ARI得分的增强所示，表明其在改进细胞类型识别方面的有效性。综合测评结果表明，scVI和cnnImpute是改进细胞聚类检测的两种最稳定的插补方法。

增强差异表达分析

在模拟数据和真实数据中cnnImpute均表现出改进下游差异表达分析方面的有效性。

综合评估

在对 cnnImpute 进行评估并与其他现有估算方法进行比较的 17 次实验中，cnnImpute 始终表现出卓越的稳定性和性能，在不同数据集的不同评估中获得了最高排名。

cnnImpute的方法说明请参考文献原文Methods：https://doi.org/10.1038/s41598-024-53998-x. 

参考文献：
Zhang, W., Huckaby, B., Talburt, J. et al. cnnImpute: missing value recovery for single cell RNA sequencing data. Sci Rep 14, 3946 (2024).