发现 CITRUS：自动识别预测性生物标志物

CITRUS（簇识别、表征和回归）是一种用于识别差异性单细胞生物标志物的算法 ¹. 它是一种黑盒算法，它接受一个科学问题并返回一组细胞类型特异性生物标志物来帮助回答那个问题。重要的是，CITRUS 这样做时不依赖于先验知识或主观门控来定义细胞类型，并且以统计学上合理的方式识别生物标志物，因此研究人员可以确信他们正在跟进真正的阳性结果 ²。

CITRUS 旨在回答两种类型的问题：“我的群体有何不同？”或“我如何才能最好地预测我的群体之间的差异？”

CITRUS 可用于比较任何组之间的差异，预计它们之间的差异是由各种细胞类型的丰度差异、信号的激活或抑制或这些细胞类型中标记的存在或不存在引起的。 CITRUS 会告诉用户这些“特征”中哪些在定义的组之间有显着差异。

CITRUS 使用无监督和有监督的机器学习管道来自动查找与结果组相关的生物标志物或找到一组最能预测该结果组的生物标志物。 CITRUS 运行的结果是聚类和相关特征，可区分观察到的样本终点。 观看视频，了解有关如何在 Cytobank 平台上运行 CITRUS 以及如何解释结果的教程。

图 1. CITRUS 工作流程。

有关更多详细信息和说明，请访问我们的Cytobank 支持页面。

参考文献

1. Bruggner RV, Bodenmiller B, Dill DL, Tibshirani RJ, Nolan GP. Automated identification of stratifying signatures in cellular subpopulations. Proc Natl Acad Sci USA. 2014;111(26):E2770-E2777. doi:10.1073/pnas.1408792111


2. Polikowsky HG, Drake KA. Supervised Machine Learning with CITRUS for Single Cell Biomarker Discovery. In: McGuire HM, Ashhurst TM, eds. Mass Cytometry. Vol 1989. New York, NY: Springer New York; 2019:309-332. doi:10.1007/978-1-4939-9454-0_20