Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Compressive Sensing and Hierarchical Clustering for Microarray Data with Missing Values Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Variational Inference in Probabilistic Single-cell RNA-seq Models

verfasst von : Pedro F. Ferreira, Alexandra M. Carvalho, Susana Vinga

Erschienen in: Computational Intelligence Methods for Bioinformatics and Biostatistics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Single-cell sequencing technology holds the promise of unravelling cell heterogeneities hidden in ubiquitous bulk-level analyses. However, limitations of current experimental methods also pose new obstacles that prevent accurate conclusions from being drawn. To overcome this, researchers have developed computational methods which aim at extracting the biological signal of interest from the noisy observations. In this paper we focus on probabilistic models designed for this task. Particularly, we describe how variational inference constitutes a powerful inference mechanism for different sample sizes, and critically review two recent scRNA-seq models which use it.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Compressive Sensing and Hierarchical Clustering for Microarray Data with Missing Values
Nächstes Kapitel Centrality Speeds the Subgraph Isomorphism Search Up in Target Aware Contexts
Fußnoten
1
For brevity, here we do not consider the sparse loadings of the original model. In our experiments the resulting performance did not change significantly.
 
2
\(\alpha _{k1,2}\), \(\beta _{k1,2}\) and \(\pi _p\) are fixed hyperparameters which can be estimated in an Expectation-Maximization scheme. See the original paper for details.
 
3
In these simplified descriptions we ignore the batch annotation observations, for brevity.
 
4
\(l_{\mu }\) and \(l_{\sigma }^2\) are the observed log-library size mean and variance, respectively.
 
Literatur
1.
Kolodziejczyk, A.A., Kim, J.K., Svensson, V., Marioni, J.C., Teichmann, S.A.: The technology and biology of single-cell RNA sequencing. Mol. Cell 58(4), 610–620 (2015)CrossRef
2.
Hicks, S.C., et al.: Missing data and technical variability in single-cell RNA-sequencing experiments. Biostatistics 19, 562–578 (2017)MathSciNetCrossRef
3.
Murphy, K.: Machine Learning: A Probabilistic Approach. MIT Press, Cambridge (2012)MATH
4.
Durif, G., Modolo, L., Mold, J.E., Lambert-Lacroix, S., Picard, F.: Probabilistic count matrix factorization for single cell expression data analysis. arXiv (2018)
5.
Lopez, R., Regier, J., Cole, M.B., Jordan, M., Yosef, N.: Bayesian inference for a generative model of transcriptome profiles from single-cell RNA sequencing. bioRxiv (2018)
6.
Pierson, E., Yau, C.: ZIFA: dimensionality reduction for zero-inflated single-cell gene expression analysis. Genome Biol. 16(1), 241 (2015)CrossRef
7.
Blei, D.M., Kucukelbir, A., McAuliffe, J.D.: Variational inference: a review for statisticians. J. Am. Stat. Assoc. 112(518), 859–877 (2017)MathSciNetCrossRef
8.
Kingma, D., Welling, M.: Stochastic gradient VB and the variational auto-encoder. In: Second International Conference on Learning Representations, ICLR (2014)
9.
Pollen, A.A., et al.: Low-coverage single-cell mRNA sequencing reveals cellular heterogeneity and activated signaling pathways in developing cerebral cortex. Nat. Biotechnol. 32, 1053–1058 (2014)CrossRef
10.
Zeisel, A., et al.: Cell types in the mouse cortex and hippocampus revealed by single-cell RNA-seq. Science 347(6226), 1138–1142 (2015)CrossRef
Metadaten
Titel
Variational Inference in Probabilistic Single-cell RNA-seq Models
verfasst von
Pedro F. Ferreira
Alexandra M. Carvalho
Susana Vinga
Copyright-Jahr
2020
Buch
Computational Intelligence Methods for Bioinformatics and Biostatistics

Print ISBN: 978-3-030-34584-6

Electronic ISBN: 978-3-030-34585-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-34585-3_2