生物資訊學
研究動機： 傳統的單細胞RNA測序（scRNA-seq）數據差異表達分析流程通常先對單個細胞進行聚類，然後在所得簇之間檢驗差異表達基因。然而，使用同一數據同時進行聚類和檢驗會帶來選擇性推斷問題，並可能導致對差異的過度自信，而這些差異未必反映真實的生物學變異。
研究結果： 我們提出了StabCell，一個整合聚類與差異表達標記基因檢測的穩定性選擇框架。通過在互補隨機子樣本中反覆進行聚類和差異表達分析，StabCell評估聚類及標記基因的穩定性，從而得到穩定的聚類結果及穩定標記基因集合。在模擬研究中，我們表明StabCell能夠提供近似的經驗家族錯誤率（per-family error rate, PFER）控制，與傳統方法相比可篩選出更少的假陽性標記基因，尤其是在信噪比較低和測序深度較低的情況下。
將該方法應用於誘導多能幹細胞（IPSCs）向心肌細胞分化的細胞分化數據集表明，有意義的標記基因始終位於排序最前的基因之中。這些結果表明，StabCell能夠提高scRNA-seq分析的可解釋性與穩健性。
可獲得性與實現： StabCell在統計編程語言R中的實現可從https://github.com/LuckyLueck/StabCell取得。用於復現結果的代碼可從https://github.com/LuckyLueck/StabCell_paper取得。
感謝您關注並幫助傳播bioRxiv上的研究成果。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.07.720061v1?rss=1
🏷️ 單細胞RNA測序 穩定性選擇 聚類分析 差異表達分析 標記基因檢測 統計推斷