常见基因选择方法[持续更新中...]

1. SCMarker：选择表达水平呈双/模态分布，并且与其他一些基因共同表达或相互排斥性表达的基因。
   论文链接

library(SCMarker)
scMarker <- function(data){
  Res <- ModalFilter(data = data, geneK = 10, cellK = 10)
  Res <- GeneFilter(obj = Res)
  Res <- getMarker(obj = Res, k = 300, n = 30)
  scMarker_genes <- Res$marker
  return(scMarker_genes)
}

2. Seurat：首先利用局部加权回归（Locally Weighted Linear Regression, loess）[13]对基因表达量的均值和方差的对数拟合一条直线，然后利用观测均值和期望方差对基因表达量进行标准化，最后根据标准化的表达量计算方差，选取最高排名基因，称为高度可变基因。
   论文链接

HVG <- function(data){
  s=nrow(data)*0.1
  s=floor(s)
  pbmc_small <- CreateSeuratObject(data)
  pbmc_small <- NormalizeData(object = pbmc_small)
  pbmc_small <- FindVariableFeatures(object = pbmc_small,nfeatures = s)
  pbmc_small <- ScaleData(object = pbmc_small)
  Seurat_genes=pbmc_small@assays[["RNA"]]@var.features
  return(Seurat_genes)
}

3. M3Drop：对所有基因的缺失率和平均表达量拟合一个 Michaelis-Menten(MM)方程，并估计一个全局 MM 常数。然后计算每个基因的 MM 常数，使用 Z 检验将其与全局 MM 常数比较，从而得出每个基因的 p-value 值，随后用 p-value 对基因进行排名。
   论文链接

# M3Drop
library(M3Drop)
M3Drop <- function(data){
  uso_list <- M3Drop::M3DropCleanData(
    data,
    labels = colnames(data),
    min_detected_genes = 100,
    is.counts = FALSE
  )
  expr_matrix <- uso_list$data
  ex=M3Drop::M3DropFeatureSelection(expr_matrix,mt_method = "fdr",mt_threshold = 0.01)
  M3Drop_genes=ex[[1]]
  return(M3Drop_genes)
}

4. Expr：使用基因的平均表达作为基因重要性度量
   论文链接

Expr <- function(data){
  meanExp = apply(data,1,mean)
  meanExp = meanExp[order(meanExp,decreasing = TRUE)]
  s=nrow(data)*0.1
  s=floor(s)
  Expr_genes = names(meanExp)[1:s]
  return(Expr_genes)
}

5. SC3：过滤掉普遍存在和很少表达的基因，根据平均表达水平和 dropout 比率保留重要基因
   论文链接

sce <-
  SingleCellExperiment(assays = list(counts = as.matrix(t(embedding_data)),
                                     logcounts = as.matrix(log2(
                                       t(embedding_data) + 1
                                     ))))
# define feature names in feature_symbol column
rowData(sce)$feature_symbol <- rownames(sce)
# remove features with duplicated names
sce <- sce[!duplicated(rowData(sce)$feature_symbol), ]
sce <- runPCA(sce)

#estimate optimal k for clustering
k <- sc3_estimate_k(sce)@metadata$sc3$k_estimation
res <- sc3(sce, ks = k)

adjustedRandIndex(res$sc3_xxx_clusters, meta$label)

6. FEAST：计算基因的 F-statistics 得分，选择前 n 个基因作为特征集合，使用 MSE 估计最佳特征集合。
   原文链接

test <- load("filepath")
K <- length(unique(meta$label))
Y <- process_Y(data)

#FEAST+SC3
con_res <-  Consensus(Y, k = K)
F_res = cal_F2(Y, con_res$cluster)
ixs = order(F_res$F_scores, decreasing = T) # order the features

top = 2000 # try the top 2000 features
markers = rownames(Y)[ixs][1:top]
sc3_res = SC3_Clust(Y, k = K, input_markers = markers)
eval_Cluster(sc3_res$cluster, meta$label)

7. GiniClust：根据每个基因的表达水平计算基尼系数，选择基尼系数值较大的基因。
   论文链接
   代码链接

8. Laplacian Scores：基于拉普拉斯特征映射（Laplacian Eigenmaps）和局部保留投影（Locality Preserving Projection），通过构造一个局部加权图来评估特征的重要性。
   论文链接

9. SCMER：通过优化原始数据和低维空间的相似度矩阵的 KL 散度，选择非零权重对应的基因，从而识别非冗余特征，用于描绘常见的细胞类型和罕见的细胞状态。
   论文链接
   代码链接

10. EDGE：结合集成学习和 sketching 技术[21]，使用大量的弱学习器学习细胞间相似性概率，通过最小化交叉熵函数学习并优化数据的低维表示，同时选择在这一过程中做出重要贡献的基因作为标记基因。
    论文链接
    代码链接
    

11. scCCESS：从原始数据中提取随机投影子空间，使用自编码器将每一个随机投影压缩到低维空间进行聚类，应用集成学习思想生成最终的细胞簇划分。
    论文链接

12. DUBStepR：基于基因间相关性的特征选择方法 DUBStepR[23]，使用逐步回归的方法识别数据集中最能代表生物变异的基因集合，随后定义了一种基于图的细胞聚类度量方法密度指数（density index，DI）用来优化特征的数量。
    论文链接
    源码链接

13. rankCorr（论文太长了~感兴趣自己看）
    论文链接
    源码链接

14. NS-Forest：
    论文链接
    源码链接

from NSForest_v3 import *
import itertools

adata_markers = NS_Forest(adata) #Runs NS_Forest on scanpy object
#gets list of minimal markers from dataframe for display in scanpy plotting functions
Markers = list(itertools.chain.from_iterable(adata_markers['NSForest_Markers']))
# gets list of binary markers from dataframe for display in scanpy plotting functions
Binary_Markers = list(itertools.chain.from_iterable(adata_markers['Binary_Genes']))

15. scPNMF：计算权重矩阵来选择基因，对基因权重排序，权重越大，基因贡献越大。
    论文链接
    源码链接