- 2 次围观
内容形式：摘要译文
背景：基于参考的解卷积利用混合样本的整体谱估计细胞类型比例。参考不完整是其主要误差来源，但目前所有补救方法最终都仅给出点估计。我们将用于复现估计值的算子来源，与用于识别其目标的信息及精度区分开来。结果：在同一缩减参考下交叉比较两种算子历史表明，估计量并不唯一：在196,420个样本–删除组合中，28.2%的组合在两条路径下的总变差距离超过0.1；而固定所有学习得到的组成部分后，两条路径的结果完全一致。在九个队列中，算子历史使952项关联中的31项方向逆转，并改变了126项关联的显著性。固定算子并不能识别目标：观测等价的补全方案遍及整个开单纯形，并可逆转保留细胞类型的排序。共享结构无法收紧既有界限，使用一至六个未经校准的视图所得界限完全相同。一个谱库将估计量输出包络收缩了98.93%，但仅在42.77%的情形下覆盖完整参考下的效应（其中有19次符号判定错误），而条件锐界仍为[-1, 1]。将绝对RNA产量视为精确值会使区间坍缩为点，却未能覆盖七个经流式细胞术测量的目标中的任何一个。缺乏覆盖的收缩是虚假的确定性。经校准的跨模态锚点可缩小区间宽度（在六种类型时为0.51），但始终无法有效判定符号。绝对定量原则上可恢复可识别性，而要在外周血单个核细胞中作出明确的符号判定，则要求代理测量的准确度达到±2.6%，并使供者异质性包络和动态范围包络近乎完全收缩。结论：参考不完整条件下的解卷积不仅是估计问题，更是识别问题。对补救方法的评价必须依据收缩程度、覆盖率、判定能力及错误的
基于留出目标的认证。fitdrop 实现了这一评分方法及精度前沿，用于规划具有决定性的测量。
关键词：细胞类型反卷积 · 参考数据不完整 · 目标可识别性 · 部分识别 · 跨模态校准 · 不确定性量化
原文链接：https://www.biorxiv.org/content/10.64898/2026.09.10.750775v1?rss=1