基于单细胞数据，CHOIR（迭代随机森林聚类层次优化法）显著提升细胞类型和状态检测能力

《Nature Genetics》：CHOIR improves significance-based detection of cell types and states from single-cell data

在单细胞数据分析中，聚类至关重要，但多数流行聚类工具未对结果进行统计推断测试，易导致过聚类或欠聚类，影响细胞类型识别。研究人员开展 CHOIR（聚类层次优化法）研究，经大量基准测试，发现其能有效识别细胞群，为单细胞数据分析提供了灵活、可扩展且稳健的方案。

　　聚类是单细胞数据分析中的关键步骤，它有助于发现和描述细胞类型与状态。然而，大多数常用的聚类工具并未对结果进行统计推断检验，这就存在对数据过度聚类或聚类不足的风险，而且往往难以有效识别不同流行程度差异很大的细胞类型。为应对这些挑战，开发了 CHOIR（迭代随机森林聚类层次优化法，cluster hierarchy optimization by iterative random forests）。它在层次聚类树中应用随机森林分类器和排列检验框架，从统计学角度确定代表不同群体的聚类。通过对 230 个模拟数据集以及 5 个真实的单细胞 RNA 测序、转座酶可及染色质测序分析、空间转录组和多组学数据集进行广泛的基准测试，验证了 CHOIR 的性能。CHOIR 可应用于任何单细胞数据类型，为在异质单细胞数据中识别生物学相关的细胞分组这一难题，提供了灵活、可扩展且稳健的解决方案。