Statistical inference for cell type deconvolution
细胞类型反卷积的统计推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦生物测量数据的反卷积与测量误差推断，未提供所列经济计量细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
细胞类型反卷积的统计推断
- 研究问题
- 以跨平台单细胞参考数据估计混合 RNA 测序中的细胞比例时，如何处理平台缩放、测量误差及共享估计不确定性？
- 方法与思路
- 作者提出测量误差调整反卷积框架，处理由外部数据近似的设计矩阵，并为个体比例及个体间比较构造统计推断程序。
- 材料陈述的贡献
- 摘要称给出任意基因特异跨平台缩放差异下的可识别性充要条件，推断计入基因相关与共享不确定性，并以模拟和实证展示表现。
- 阅读关注点
- 应核对可识别性条件的具体内容、设计矩阵误差的处理方式，以及基因相关和共享参考数据如何进入个体间比较的方差计算。
- 阅读边界
- 仅依据所给 Crossref 摘要；任意缩放下的识别仍取决于所述条件，摘要未列出这些条件，也未说明推断保证和数据适用范围。
原文摘要
Abstract Integrating heterogeneous datasets across different measurement platforms poses fundamental challenges for statistical inference. An important example is cell type deconvolution, where cell type proportions in bulk RNA-seq data are estimated using reference single-cell data from different sources, leading to platform-specific scaling effects, measurement noise, and biological heterogeneity. Existing methods often treat estimated proportions as observed in downstream analyses, potentially compromising validity when comparing multiple individuals. We introduce measurement error adjusted deconvolution, a statistical framework for estimation and inference in deconvolution with externally approximated design matrices. We establish necessary and sufficient conditions for identifiability under arbitrary gene-specific cross-platform scaling differences and develop valid inferential procedures for both individual-level proportions and comparisons across individuals, accounting for gene–gene correlation and shared estimation uncertainty. Simulations and real-data analyses demonstrate competitive estimation accuracy and reliable statistical inference.