数据集概述
本数据集包含CTISL（Cell Type Identification by Stacking ensemble Learning）方法的相关资源，该方法是一种动态堆叠多分类模型，用于从单细胞RNA测序（scRNA-seq）数据中识别细胞类型。数据集支持模型在不同场景下的训练与预测，包括内部数据集、跨数据集、跨批次及跨物种分析，同时提供Web服务器链接和源代码访问途径。
文件详解
- 文件名称：CTISL.zip
- 文件格式：ZIP
- 字段映射介绍：压缩包包含CTISL方法的源代码文件，支持以下训练场景的脚本：
- Intra_train.py：用于内部数据集训练，参数包括数据集名称、模型名称、结果路径、文件格式、归一化设置等。
- cross_train.py：用于跨数据集、跨批次、跨物种训练，参数包括训练集名称、测试集名称、结果路径、模型名称、文件格式、归一化设置等。
- demo_train.py：用于自定义数据的训练与预测，参数包括训练数据路径、训练标签路径、测试数据路径、预测标签存储位置、模型名称、文件格式、数据标准化设置等。
数据来源
论文“CTISL: a dynamic stacking multi-class classification approach for identifying cell types from single-cell RNA-sequencing data”
适用场景
- 单细胞RNA测序细胞类型识别：利用CTISL方法对scRNA-seq数据进行细胞类型分类，提升识别准确性。
- 生物信息学模型对比研究：通过24项基准实验数据，对比CTISL与其他主流方法的性能差异。
- 跨数据集分析：支持跨批次、跨物种的细胞类型识别，适用于多来源scRNA-seq数据整合研究。
- 生物信息学工具开发：基于CTISL的源代码和Web服务器，拓展单细胞数据分析工具的功能。
- 医学研究应用：为肿瘤微环境、发育生物学等领域的单细胞研究提供细胞类型识别支持。
