前言
在前不久的一篇推文中：SCENT：单细胞层面干性评估的扛把子,Immugent就给大家介绍了SCENT软件的第一版，今天我们来进一步介绍它的升级版--CCAT。
相对于第一版，CCAT最大的改进就是在速度上的大幅度提升，这个其实是很关键的。因为当我们在分析小型数据的时候可能没有特殊的感觉，但是一旦碰到那种有上百万个细胞的数据的时候速度就是很重要的。因为随着细胞数目的增加，对计算机内存的要求会呈指数增加，而要完成这样的计算过程不仅需要更高性能的计算机，还需要消耗大量时间，因此对算法在计算性能的改善也是一个算法能被大家接受的重要因素。
主要内容
为了浅浅的凸显一下生信宝库公众号的专业性，Immugent先来放一张CCAT的开发算法。
image.png
事实上，Immugent自己根本看不懂[图片上传失败...(image-a0b95d-1678433535352)]
[图片上传失败...(image-d1c83d-1678433535352)]
，就希望有能领悟的小伙伴出现吧。
然后就是进一步对比CCAT和其它同类软件的性能，结果显示CCAT在准确性上丝毫不逊于任何一种同款软件，但是在速度上有一个质的提升，这可能也就是CCAT的最大卖点吧。
image.png
接下来，作者就想看看如何使用CCAT来为推断谱系轨迹的起始点的选择提供信息。虽然原则上我们可以选择CCAT值最高的细胞群作为根状态，但作者努力提供一种更为稳健的一种分析方法。
image.png
最后不得不说，CAAT出的图并不是很美观，但是仍能展示出重点问题，如果出的图能再美化一点，那就完美了。
展望
在这项研究中，作者评估了28项scRNAseq研究的超过200万个细胞进行分析，结果显示CCAT在单细胞分辨率下提供了相当准确和稳健的分化效能估计。作者没有观察到最先进的方法如CytoTRACE或SR/SCENT在准确性和稳健性方面优于CCAT。重要的是，CCAT提供了计算效率的显著改进，比CytoTRACE或GCS的速度提高了100倍。至于CCAT究竟将速度提升了多快，仅凭语言是无法描述的，Immugent接下来将会通过一篇代码实操的推文来带大家感受一下CCAT带给我们的非一般感觉。
好啦，本期分享到这里就结束了，我们下期再会~~
[参考文献]
Teschendorff AE, Maity AK, Hu X, Weiyan C, Lechner M. Ultra-fast scalable estimation of single-cell differentiation potency from scRNA-Seq data. Bioinformatics. 2021 Jul 12;37(11):1528-1534. doi: 10.1093/bioinformatics/btaa987. PMID: 33244588; PMCID: PMC8275983.
网友评论