1、cels

cels發(fā)音

英：　　美：

cels中文意思翻譯

常見(jiàn)釋義：

abbr.攝氏（Celsius）

cels雙語(yǔ)使用場(chǎng)景

1、The introduction of CELS to the English training market in China is only a result of their efforts.───CELS英語(yǔ)技能證書(shū)在中國市場(chǎng)上的隆重推出，就是其所作的此種努力之一。

2、created with an animation editor, multiple GIF images can be put together like a set of cartoon cels, allowing for simple moving pictures.───利用動(dòng)畫(huà)編輯器時(shí)，由于會(huì )出現簡(jiǎn)單的移動(dòng)圖像，GIF圖片會(huì )像一套動(dòng)畫(huà)內容一樣，產(chǎn)生重疊現象。

3、When the individual cels are projected very fast on a screen, they look like a continuous moving drawing.───當個(gè)別cels快速投射在屏幕上時(shí)，看起來(lái)就像是連續移動(dòng)的圖畫(huà)。

4、About 1000 people have signed up for Cels@Home so far.───目前已有大約1000人注冊了Cels@Home項目。

5、"Instead of studying one molecule or one gene, Cels@Home is studying a host of problems in cancer, " he explained.───然而Cels@Home并不是針對某一個(gè)分子或基因進(jìn)行研究，而是針對一系列與癌癥相關(guān)的問(wèn)題。

6、Cels were now being used by nearly everyone and animated cartoons were showing up frequently in film programs.───現在幾乎每一個(gè)人都使用賽璐珞片，而且動(dòng)畫(huà)卡通也經(jīng)常在**節目中出現。

7、Cels are more of a problem because they are more expensive to retake and take more time to produce.───賽璐璐膠片是個(gè)更大的問(wèn)題，因為重做這東西更貴，也更花時(shí)間。

8、However, CELs show more unity and stereotype, whereas AESs more diversity and individuality in the choice of query preparatory patterns.───研究還發(fā)現，中國英語(yǔ)學(xué)習者選擇英語(yǔ)探詢(xún)句式類(lèi)型比較統一，定型；

cels相似詞語(yǔ)短語(yǔ)

1、cephalitis skin───皮膚頭炎

2、lapps ice cream───拉普斯冰淇淋

3、CelI phone───塞利電話(huà)

4、carcinomatous ulcer───癌性潰瘍

5、different places───不同處；異地

6、inducements defined───定義誘因

7、accentual phrase───重音短語(yǔ)

8、mattock of time and space───時(shí)間和空間的麻雀

9、worried face───愁眉苦臉

10、you do not face───你沒(méi)有臉

2、Scrublet：鑒定單細胞轉錄組中的doublets

文獻標題：Scrublet: Computational Identification of Cell Doublets in Single-Cell Transcriptomic Data

發(fā)表時(shí)間：April 03, 2019

發(fā)表雜志： Cell Systems （IF=8.673）

原文鏈接： https://doi.org/10.1016/j.cels.2018.11.005

單細胞轉錄組測序方法可能導致2個(gè)或以上的細胞共用一個(gè)barcode，形成doublets或multiplets，進(jìn)而表現出“雜交”（hybrid）的轉錄組特征。這些doublets可能干擾下游數據分析。作者開(kāi)發(fā)了Scrublet工具，用來(lái)鑒定可能的doublets。Scrublet通過(guò)在給定數據中模擬doublets，建立最近領(lǐng)域（nearest neighbor）分類(lèi)器來(lái)識別doublets，不需要先驗知識或預先聚類(lèi)。目前Scrublet在github上開(kāi)源： http://github.com/AllonKleinLab/scrublet 。

在此之前，主要有兩種簡(jiǎn)單的方法用來(lái)排除潛在的doublets：

Multiplets對下游分析的影響，部分取決于它們是否來(lái)源于具有不同基因表達譜的細胞。作者因此定義了兩種主要的multiplets相關(guān)錯誤：

在實(shí)際操作中，單個(gè)multiplet可能被分類(lèi)為”embeded“或”neotypic“（或其他類(lèi)型），但其與兩類(lèi)誤差的相關(guān)程度取決于單細胞數據分析的方式。例如，某種降維方式可能無(wú)法區分出multiplets，進(jìn)而指向”embedded“錯誤，而另一種降維方式可能成功區分multiplets，進(jìn)而指向”Neotypic“錯誤。因此，針對特定的數據分析方法，有效區分neotypic multiplets應該具有可操作性。Scrublet正是為此而生。

Scrublet估計neotypic multiplets的比例，通過(guò)將隨機抽樣的單個(gè)細胞轉錄組進(jìn)行線(xiàn)性結合，生成模擬的multiplets，用于鑒定和移除實(shí)際的multiplets。

Scrublet基于兩個(gè)假設：

基于以上假設，模擬合成的doublets能夠用來(lái)構建一個(gè)”誘捕“的k-nearest neighbor（KNN）分類(lèi)器，用來(lái)鑒定doublets。

當預先知道doublets在全部數據中的期望比例時(shí)，分類(lèi)器能輸出某個(gè)給定細胞是doublet的后驗似然性（posterior likelihood）。然而，doublets的比例難以預先得知?；谀Mdoublets的分類(lèi)器評分大部分是雙峰分布，Scrublet據此使用閾值似然性來(lái)區分doublets。低分doublets可能提示其難以從singlets中區分，也即”embeded“，而高分doublets可能與singlets狀態(tài)不同，即”neotypic“。

Scrublet輸出以下結果：

在合成模擬的doublets后，Scrublet利用主成分分析（principal-component analysis，PCA）降維，再構建kNN分類(lèi)器，不需要聚類(lèi)數據或預先定義細胞marker基因，并且僅用幾分鐘就能完成上萬(wàn)個(gè)細胞的doublet鑒定。

作者首先在虛擬數據測試Scrublet的效果。分別進(jìn)行了以下虛擬：

根據ROC曲線(xiàn)結果，相比于單純使用轉錄本數量指標來(lái)區分doublets，Scrublet的準確性明顯更好。

單純比較Total counts（TC）、Marker overlap（M）和Scurblet（S）策略，Scurblet顯著(zhù)優(yōu)于另外兩種策略。但如果將兩種策略結合起來(lái)，例如S+TC，能進(jìn)一步提高doublets分類(lèi)的準確性。然而，這種聯(lián)合方法可能有數據集依賴(lài)性，并且需要額外的參數調整兩種策略的權重。

相比于4k細胞的數據，8k數據中預測到的doublets比例幾乎翻了一倍，這一點(diǎn)基本符合預期。另外，如果使用8k數據中的doublets預測結果來(lái)映射到4k數據，仍然能夠將4k數據中的doublets區分出來(lái)（聚類(lèi)1和2）。

Scrublet能夠識別出在不同譜系間形成”橋梁“的doublets，然而需要輔以人工注釋才能識別出巨噬細胞-成紅細胞doublets。

Scrublet的效果就不贅述了?；谄涞讓拥募僭O，Scrublet仍然存在一些不足和限制：

單細胞測序發(fā)展至今，已經(jīng)有多種檢測doublets的生信工具被開(kāi)發(fā)出來(lái)。其中大多數工具的基礎都是利用原數據合成模擬的doublets，將其作為已知參考來(lái)鑒別真實(shí)數據中的doublets，并且大多強調在單個(gè)文庫內而非合并的數據集中使用doublet分類(lèi)工具。然而，Scrublet這篇文章提到將8k PBMC數據的結果映射到4k PBMC數據，進(jìn)而實(shí)現跨數據鑒定doublets；此外，聯(lián)合諸如UMI總數、細胞類(lèi)型marker等指標，比起單純利用合成doublets作為參考進(jìn)行分類(lèi)，其準確性能進(jìn)一步提升。這些都是doublet classifier未來(lái)可以改進(jìn)的方向。事實(shí)上，在 Decoding human fetal liver haematopoiesis 這篇文章的某個(gè)早期版本中，作者就使用了scrublet先鑒定出明顯的doublets，再利用這些doublets結合支持向量機（SVM）來(lái)鑒定更多潛在的doublets，詳見(jiàn) https://github.com/haniffalab/scRNA-seq_analysis ?？梢?jiàn)多種方法聯(lián)合確實(shí)是不錯的思路。