Entfernung von Batch-Effekten unter Verwendung von Verteilungsanpassungsresidualnetzwerken

MOTIVATION: Quellen der Variabilität in experimentell gewonnenen Daten umfassen Messerfehler zusätzlich zu den physikalischen Phänomenen von Interesse. Dieser Messfehler ist eine Kombination aus systematischen Komponenten, die von dem Messinstrument stammen, und zufälligen Messfehlern. Mehrere neuartige biotechnologische Verfahren, wie die Massenzytometrie und die Einzelzell-RNA-Sequenzierung (scRNA-seq), sind mit systematischen Fehlern belastet, die die statistische Analyse erheblich beeinträchtigen können, wenn die Daten nicht ordnungsgemäß kalibriert sind. ERGEBNISSE: Wir schlagen einen neuartigen Deep-Learning-Ansatz zur Entfernung systematischer Batch-Effekte vor. Unsere Methode basiert auf einem residualen neuronalen Netzwerk, das darauf trainiert ist, die maximale mittlere Diskrepanz zwischen den multivariaten Verteilungen zweier Replikate, die in verschiedenen Chargen gemessen wurden, zu minimieren. Wir wenden unsere Methode auf Massenzytometrie- und scRNA-seq-Datensätze an und zeigen, dass sie Batch-Effekte effektiv abschwächt. VERFÜGBARKEIT UND IMPLEMENTIERUNG: Unsere Codes und Daten sind öffentlich verfügbar unter https://github.com/ushaham/BatchEffectRemoval.git. KONTAKT: yuval.kluger@yale.edu. ERGÄNZENDE INFORMATIONEN: Ergänzende Daten sind online bei Bioinformatics verfügbar.