single-cell-multi-omics-integration

Umiejętność do integracji danych single-cell multi-omics za pomocą narzędzi OmicVerse. Łączy sekwencjonowanie RNA i ATAC z tego samego lub różnych eksperymentów, korzystając z metod MOFA, GLUE, SIMBA, TOSICA i StaVIA. Wybierz metodę na podstawie struktury twoich danych: sparowane pomiary (MOFA), niesparowane (GLUE + MOFA), wielobatchowe (SIMBA), transfer etykiet (TOSICA) lub trajektorie (StaVIA). Każda metoda obsługuje konkretny scenariusz analizy.

1. Zainstaluj zależności wymagane przez OmicVerse, w szczególności mofapy2 dla metody MOFA. Upewnij się, że masz dostęp do repozytorium omicverse i umiejętności single-cell-multi-omics-integration.

2. Określ typ twoich danych: czy masz sparowane pomiary RNA i ATAC z tych samych komórek, czy pochodzą z różnych eksperymentów. Ta decyzja wpłynie na wybór metody — MOFA dla danych sparowanych, GLUE + MOFA dla niesparowanych.

3. Załaduj każdą modalność jako osobny obiekt AnnData. Przygotuj dane w formacie, który obsługuje OmicVerse, z wymaganymi metadanymi i adnotacjami.

4. Dla danych sparowanych: zainicjuj pyMOFA z listami omics i omics_name, uruchom mofa_preprocess() do selekcji HVG, następnie mofa_run() z parametrem outfile do trenowania modelu.

5. Dla danych niesparowanych: załaduj embeddingi pochodzące z GLUE (pliki .h5ad z embedingami w .obsm), zbuduj GLUE_pair i uruchom correlation() do dopasowania komórek między modalnościami, potem zastosuj MOFA.

6. Sprawdź wyniki za pomocą pyMOFAART() z parametrem model_path — narzędzie wyświetli wykresy korelacji, wagi czynników i wariancję wyjaśnianą przez każdy czynnik.