根据《细胞基因组学》杂志发表的详细信息，西北医学科学家开发了一种新技术来识别单个细胞以进行 RNA 测序，这将使科学家能够收集更准确、更精确的科学数据。

细胞与发育生物学助理教授、研究资深作者 Yogesh Goyal 博士表示，RNA 测序旨在揭示生物样本中 RNA 分子的数量，并为科学家提供基因表达的快照，已迅速成为科学研究中的重要工具。

“单细胞 RNA 测序确实改变了生物医学领域，”戈亚尔说道，他也是合成生物学中心的成员。“但这项技术的一个根本限制是试图分离单个细胞并使其通过微流体装置。每个样本中很容易出现多个细胞。这会导致大量的假阳性和假阴性。”

为了解决这个问题，Goyal 和他的合作者首先采用了条形码技术，其中单个细胞(单细胞)被标记上独特的核酸序列，以便在整个实验过程中更容易地追踪它们。

接下来，研究人员测试了各种现有的机器学习算法，以了解它们如何准确地区分合成条形码的单细胞和细胞群(双细胞)。根据这项研究，他们发现现有算法无法准确区分 RNA 测序后的单细胞和双细胞。

最后，Goyal 和他的实验室开发了自己的机器学习算法，旨在识别真正的单重态。研究结果表明，通过对来自广泛数据集库的条形码单重态数据进行训练，研究人员能够使用该算法成功区分双重态和单重态，比以前的方法更准确。

“当多个细胞被同时捕获时，称为双联体，这会导致下游分析出现问题，”德里斯基尔生命科学研究生项目 (DGP) 的博士生、这项研究的共同第一作者 Madeline Melzer 说道。“我们在这里所做的是在单个细胞进入测序仪之前使用条形码，这样我们以后就可以识别两个细胞何时被同时捕获。”

DGP 项目博士生、该研究的共同第一作者张子阳 (Ziyang Zhang) 表示，该算法是开源的，可供其他科学家使用，有望帮助西北大学和其他地方的研究人员获得更准确的 RNA 测序结果。

“长期以来，大多数技术都无法让我们知道哪些细胞是真正的单细胞。这种条形码技术的妙处在于，我们利用这些独特的核酸序列从大量数据中恢复单细胞。这使我们能够将更好的数据输入机器学习分类器，并且我们表明它将获得更好的性能，”张说。“这是一项重要的事情，我们希望人们能够认识到这一点并最终将其应用到他们的研究中。”

接下来，戈亚尔和他的实验室将尝试利用该技术测量样本中的基因表达并绘制出活动发生的位置。

“从单细胞 RNA 测序到空间转录组学已成为科学发现的重要组成部分，西北大学在这一领域投入了大量资金，”戈亚尔说，他也是西北大学罗伯特·H·卢里综合癌症中心的成员。“我们正在尝试了解如何使用这些条形码系统来解释空间生物学。”