mobivision quantify目前提供两种细胞过滤的算法，分别是CR2.2和EmptyDrops （Lun等人于2019年发表在Genome biology中的算法）。如果用户需要指定细胞数目，也可通过--cellnumber INT 来选择含有UMI数目排列前INT个的细胞标签作为有效细胞。

CR2.2算法（见上图左Panel）：首先将barcode按UMI数从大到小排序，设N为期望细胞数，该值默认为3000， m 为期望细胞数的99分位barcode所对应的 UMI 数。所有 UMI 值超过 m/10 的barcode都被称识别为细胞。（例如，当N=3000时，99分位的barcode为第30个barcode，其UMI值记为m，当m=20000时，m/10=2000，那么所有UMI值超过2000的barcode会被识别为细胞，图示细胞数为9000）。

EmptyDrops算法（见上图右Panel）： 参考Lun等人于2019年发表在Genome biology中的算法(EmptyDrops: distinguishing cells from empty droplets in droplet-based single-cell RNA sequencing data)。该算法是在 CR 2.2 的基础上进一步识别低RNA含量的细胞，步骤如下：
1. 初步细胞鉴定：与 CR 2.2 一致，使用基于每个barcode的总UMI数量的阈值来确定高RNA含量的细胞。
- 根据墨卓单细胞3'/5RNA的细胞捕获率，预估细胞数量N
- 根据每个barcode的UMI数量降序排列，计算前N个barcode的UI数量的99分位数，记为m。
- 如果barcode的UMI总数超过m的10%，则该barcode被视为含有细胞。

2. 细胞鉴定的细化：
- 选择具有低UMI计数的barcode，即第一步未被鉴定为细胞的barcodes。
- 针对这些barcodes的RNA图谱，基于采用基于基因的多项式分布，创建背景模型，并通过Simple Good-Turing平滑技术为未观察到的基因提供非零的模型估计。
- 将每个未在第一步鉴定中被识别为细胞的barcode的RNA图谱与背景模型进行比较，那些与背景模型明显不符的barcode被识别为细胞。