Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Одноклеточная транскриптомика исследует уровень экспрессии генов отдельных клеток в данной популяции путем одновременного измерения концентрации информационной РНК (мРНК) от сотен до тысяч генов. [1] Распознавание гетерогенных популяций клеток, реконструкция траекторий клеточного развития и моделирование динамики транскрипции - все это ранее было замаскировано в массовых измерениях транскриптомов - стало возможным благодаря анализу этих транскриптомных данных. [2]

Фон [ править ]

Анализ экспрессии генов стал рутинным благодаря развитию высокопроизводительного секвенирования РНК (RNA-seq) и микроматриц . Анализ РНК, который ранее ограничивался отслеживанием отдельных транскриптов с помощью Нозерн-блоттинга или количественной ПЦР , теперь часто используется для характеристики профилей экспрессии популяций тысяч клеток. Данные, полученные в результате массовых анализов , привели к идентификации генов, которые по-разному экспрессируются в разных популяциях клеток, и открытию биомаркеров . [3]

Эти геномные исследования ограничены, поскольку они обеспечивают измерения для целых тканей и, как результат, показывают средний профиль экспрессии для всех составляющих клеток. В многоклеточных организмах разные типы клеток в одной и той же популяции могут играть разные роли и формировать субпопуляции с разными транскрипционными профилями. Корреляции в экспрессии генов субпопуляций часто могут быть упущены из-за отсутствия идентификации субпопуляций. [4] Более того, массовые анализы не могут определить, связано ли изменение профиля экспрессии с изменением регуляции или состава, в котором один тип клеток становится доминирующим в популяции. Наконец, при изучении клеточной прогрессии через дифференцировкупрофили средней экспрессии могут упорядочивать клетки только по времени, а не по стадии их развития, и, следовательно, не могут показать тенденции в уровнях экспрессии генов, специфичные для определенных стадий. [5]

Последние достижения в области биотехнологии позволяют одновременно измерять экспрессию генов в сотнях и тысячах отдельных клеток. Хотя эти прорывы в технологиях транскриптомики позволили генерировать транскриптомные данные отдельных клеток, полученные данные создают новые вычислительные и аналитические проблемы. Методы, используемые для анализа данных RNA-seq из основных популяций клеток, могут использоваться для данных по отдельным клеткам, но для этого типа данных было разработано много новых вычислительных подходов, чтобы облегчить полное и подробное изучение профилей экспрессии отдельных клеток. [6]

Экспериментальные шаги [ править ]

В настоящее время не существует стандартизированной методики получения данных по отдельным клеткам, все методы должны включать выделение клеток из популяции, образование лизата , амплификацию посредством обратной транскрипции и количественную оценку уровней экспрессии. Обычными методами измерения экспрессии являются количественная ПЦР или последовательность РНК. [7]

Изоляция отдельных ячеек [ править ]

Рабочий процесс сортировки клеток с помощью флуоресценции (FACS)

Существует несколько методов выделения и амплификации клеток для анализа отдельных клеток. Методы с низкой пропускной способностью позволяют изолировать сотни ячеек, они медленны и позволяют проводить отбор. Эти методы включают:

  • Микропипетирование
  • Цитоплазматическая аспирация
  • Лазерная микродиссекция .

Методы с высокой пропускной способностью позволяют быстро изолировать от сотен до десятков тысяч ячеек. [8] Общие методы включают:

  • Сортировка клеток с активацией флуоресценции (FACS)
  • Микрожидкостные устройства

Количественная ПЦР (qPCR) [ править ]

Для измерения уровня экспрессии каждого транскрипта может применяться qPCR. Специфичные для генов праймеры используются для амплификации соответствующего гена, как и при обычной ПЦР, и в результате данные обычно получают только для размеров выборки менее 100 генов. Включение генов домашнего хозяйства , экспрессия которых должна быть постоянной в данных условиях, используется для нормализации. Наиболее часто используемые гены домашнего хозяйства включают GAPDH и α- актин , хотя надежность нормализации с помощью этого процесса сомнительна, поскольку есть доказательства того, что уровень экспрессии может значительно варьироваться. [9] Флуоресцентные красители используются в качестве репортерных молекул.для обнаружения продукта ПЦР и отслеживания процесса амплификации - увеличение интенсивности флуоресценции пропорционально концентрации ампликона . Строится график зависимости флуоресценции от числа циклов, и пороговый уровень флуоресценции используется для определения номера цикла, при котором график достигает этого значения. Номер цикла в этот момент известен как пороговый цикл (C t ) и измеряется для каждого гена. [10]

Одноклеточная последовательность РНК [ править ]

Эксперимент с последовательностью РНК

Метод Single-cell RNA-seq преобразует популяцию РНК в библиотеку фрагментов кДНК . Эти фрагменты секвенируются высокопроизводительными методами секвенирования следующего поколения , и считывания сопоставляются с эталонным геномом, обеспечивая подсчет количества считываний, связанных с каждым геном. [11]

Нормализация данных RNA-seq учитывает межклеточные различия в эффективности формирования библиотеки кДНК и секвенирования. Один метод основан на использовании внешних РНК-всплесков (последовательностей РНК с известной последовательностью и количеством), которые добавляются в равных количествах к каждому клеточному лизату и используются для нормализации количества считываний по количеству считываний, сопоставленных с всплесками мРНК . [12]

Другой контроль использует уникальные молекулярные идентификаторы (UMI) - короткие последовательности ДНК (6–10nt), которые добавляются к каждой кДНК перед амплификацией и действуют как штрих-код для каждой молекулы кДНК. Нормализация достигается за счет использования подсчета количества уникальных UMI, связанных с каждым геном, для учета различий в эффективности амплификации. [13]

Комбинация всплесков, UMI и других подходов была объединена для более точной нормализации.

Соображения [ править ]

Проблема, связанная с данными по одной клетке, возникает в форме нулевого завышенного распределения экспрессии генов, известного как технические выпадения, что является обычным явлением из-за низких концентраций мРНК менее экспрессируемых генов, которые не захватываются в процессе обратной транскрипции. Процент обнаруживаемых молекул мРНК в клеточном лизате часто составляет всего 10-20%. [14]

При использовании спайков РНК для нормализации делается предположение, что эффективность амплификации и секвенирования для эндогенной и спайковой РНК одинакова. Данные показывают, что это не так, учитывая фундаментальные различия в размере и характеристиках, такие как отсутствие полиаденилированного хвоста в шипах и, следовательно, более короткая длина. [15] Кроме того, нормализация с использованием UMI предполагает, что библиотека кДНК секвенирована до насыщения, что не всегда так. [13]

Анализ данных [ править ]

Понимание, основанное на анализе данных отдельных ячеек, предполагает, что входные данные представляют собой матрицу нормализованных подсчетов экспрессии генов, сгенерированную описанными выше подходами, и могут предоставить возможности, недоступные массово.

Были предоставлены три основных идеи: [6]

  1. Идентификация и характеристика типов клеток и их пространственной организации во времени
  2. Вывод о сетях регуляции генов и их силе в отдельных клетках
  3. Классификация стохастической составляющей транскрипции

Описанные методы были разработаны, чтобы помочь визуализировать и изучить закономерности в данных, чтобы облегчить выявление этих трех функций.

Кластеризация [ править ]

K-средние-гауссовские данные
Дендрограмма радужки, полученная с использованием алгоритма иерархической кластеризации

Кластеризация позволяет формировать подгруппы в клеточной популяции. Клетки могут быть сгруппированы по их транскриптомному профилю, чтобы анализировать структуру субпопуляции и идентифицировать редкие типы или подтипы клеток. Альтернативно, гены можно сгруппировать по состояниям их экспрессии, чтобы идентифицировать гены коваринга. Комбинация обоих подходов к кластеризации, известная как бикластеризация , использовалась для одновременной кластеризации генов и клеток для поиска генов, которые ведут себя одинаково в кластерах клеток. [16]

Применяемые методы кластеризации могут представлять собой кластеризацию K-средних , формирование непересекающихся групп или иерархическую кластеризацию , формирование вложенных разделов.

Бикластеризация [ править ]

Бикластеризация дает несколько преимуществ за счет улучшения разрешения кластеризации. Гены, которые информативны только для подмножества клеток и, следовательно, экспрессируются только там, могут быть идентифицированы посредством бикластеризации. Более того, с помощью этого метода можно идентифицировать гены с аналогичным поведением, которые дифференцируют один кластер клеток от другого. [17]

Снижение размерности [ править ]

Пример PCA гвинейских и других африканских популяций частот гаплогруппы Y хромосомы

Алгоритмы уменьшения размерности , такие как анализ главных компонентов (PCA) и t-SNE, могут использоваться для упрощения данных для визуализации и обнаружения паттернов путем преобразования ячеек из пространства с высокой размерностью в пространство с меньшей размерностью . Результатом этого метода являются графики с каждой ячейкой в ​​виде точки в двухмерном или трехмерном пространстве. Уменьшение размерности часто используется перед кластеризацией, поскольку ячейки в больших измерениях могут ошибочно казаться близкими из-за неинтуитивного поведения показателей расстояния. [18]

Анализ главных компонентов [ править ]

Наиболее часто используемым методом является метод PCA, который определяет направления главных компонентов наибольшей дисперсии и преобразует данные таким образом, чтобы первый главный компонент имел наибольшую возможную дисперсию, а последующие основные компоненты, в свою очередь, имели наибольшую возможную дисперсию, оставаясь ортогональными относительно предыдущие компоненты. Вклад каждого гена в каждый компонент используется для определения того, какие гены вносят наибольший вклад в дисперсию популяции и участвуют в дифференциации различных субпопуляций. [19]

Дифференциальное выражение [ править ]

Для обнаружения различий в уровне экспрессии генов между двумя популяциями используются как одноклеточные, так и массивные транскриптомные данные. Для данных по отдельной ячейке были разработаны специальные методы, которые учитывают особенности отдельных ячеек, такие как технические исключения и форма распределения, например, бимодальное или одномодальное . [20]

Обогащение генной онтологии [ править ]

Термины генной онтологии описывают функции генов и отношения между этими функциями в трех классах:

  1. Молекулярная функция
  2. Сотовый компонент
  3. Биологический процесс

Обогащение терминов онтологии генов (GO) - это метод, используемый для определения того, какие термины GO чрезмерно или недостаточно представлены в данном наборе генов. При одноклеточном анализе входной список интересующих генов может быть выбран на основе дифференциально экспрессируемых генов или групп генов, созданных в результате бикластеризации. Количество генов, аннотированных к термину GO во входном списке, нормализуется по отношению к количеству генов, аннотированных к термину GO в фоновом наборе всех генов в геноме, для определения статистической значимости. [21]

Псевдо-временное упорядочение [ править ]

Основная статья: Вывод траектории
Граф с минимальным остовным деревом

Псевдовременное упорядочение (или вывод траектории) - это метод, который направлен на вывод динамики экспрессии генов на основе данных моментальных снимков отдельных клеток. Метод пытается упорядочить ячейки таким образом, чтобы похожие ячейки располагались близко друг к другу. Эта траектория ячеек может быть линейной, но также может раздваиваться или следовать более сложным структурам графа. Таким образом, траектория позволяет сделать вывод о динамике экспрессии генов и упорядочении клеток по их прогрессии через дифференциацию или реакцию на внешние стимулы. Этот метод основан на предположении, что клетки следуют одним и тем же путем в интересующем процессе и что их состояние транскрипции коррелирует с их развитием. Алгоритм может применяться как к смешанным популяциям, так и к временным выборкам.

Было разработано более 50 методов для псевдовременного упорядочения, и каждый имеет свои собственные требования к априорной информации (такой как начальные ячейки или данные временного курса), обнаруживаемой топологии и методологии. [22] Примером алгоритма является алгоритм Монокля [23], который выполняет уменьшение размерности данных, строит минимальное остовное дерево с использованием преобразованных данных, упорядочивает ячейки в псевдовремени, следуя самому длинному связному пути дерева и, следовательно, маркирует ячеек по типу. Другой пример - DPT [ требуется пояснение ] [21], который использует карту диффузии и процесс диффузии.

Сетевой вывод [ править ]

Вывод сети регуляции генов - это метод, направленный на построение сети, представленной в виде графика, в котором узлы представляют гены, а края указывают на ко-регуляторные взаимодействия. Метод основан на предположении, что сильная статистическая взаимосвязь между экспрессией генов является показателем потенциальной функциональной взаимосвязи. [24] Наиболее часто используемым методом измерения силы статистической взаимосвязи является корреляция . Однако корреляция не может определить нелинейные отношения, и в качестве альтернативы используется взаимная информация . Кластеры генов, связанные в сеть, означают гены, которые претерпевают согласованные изменения в экспрессии. [25]

Интеграция [ править ]

Наборы данных транскриптомики отдельных клеток, созданные с использованием различных экспериментальных протоколов и в разных экспериментальных условиях, часто отличаются наличием или силой технических эффектов, а также типами наблюдаемых клеток, среди других факторов. Это приводит к сильным эффектам партии, которые могут искажать результаты статистических методов, применяемых для разных партий, особенно при наличии искажений . [26]В результате вышеупомянутых свойств транскриптомных данных отдельных клеток, методы пакетной коррекции, разработанные для данных массового секвенирования, показали, что они работают плохо. Это привело к разработке статистических методов для корректировки пакетных эффектов, устойчивых к свойствам транскриптомных данных отдельных клеток, с целью интеграции данных из разных источников или экспериментальных партий. Основополагающая работа в этом отношении была проделана Лале Хагверди, сформулировав использование взаимных ближайших соседей между каждым пакетом для определения векторов пакетной коррекции. [27] Эти векторы можно использовать для объединения наборов данных, каждый из которых включает хотя бы один общий тип ячеек. Ортогональный подход предполагает проекцию каждого набора данных на общее низкоразмерное пространство с использованиемканонический корреляционный анализ . [28] Взаимные ближайшие соседи и анализ канонической корреляции также были объединены для определения «якорей» интеграции, содержащих ссылочные ячейки в одном наборе данных, к которым нормализованы ячейки запроса в другом наборе данных. [29]

См. Также [ править ]

  • РНК-Seq
  • Одноклеточный анализ
  • Секвенирование одной клетки
  • Транскриптом
  • Транскриптомика

Ссылки [ править ]

  1. ^ Кантер, Итамар; Калиский, Томер (1 января 2015 г.). «Транскриптомика одиночных клеток: методы и приложения» . Границы онкологии . 5 : 53. DOI : 10,3389 / fonc.2015.00053 . ISSN  2234-943X . PMC  4354386 . PMID  25806353 .
  2. ^ Лю, Серена; Трапнелл, Коул (17 февраля 2016 г.). «Секвенирование одноклеточного транскриптома: последние достижения и нерешенные проблемы» . F1000 Исследования . 5 : F1000 факультет Rev – 182. DOI : 10,12688 / f1000research.7223.1 . ISSN 2046-1402 . PMC 4758375 . PMID 26949524 .   
  3. ^ Сабо, Дэвид Т. (2014-03-10). «Глава 62 - Транскриптомные биомаркеры в оценке безопасности и риска химических веществ». Биомаркеры в токсикологии . Академическая пресса. С. 1033–1038. ISBN 9780124046306.
  4. ^ Кантер, Итамар; Калиский, Томер (10 марта 2015 г.). «Транскриптомика одиночных клеток: методы и приложения» . Границы онкологии . 5 : 53. DOI : 10,3389 / fonc.2015.00053 . ISSN 2234-943X . PMC 4354386 . PMID 25806353 .   
  5. ^ Trapnell, Коул (1 октября 2015). «Определение типов и состояний клеток с помощью одноклеточной геномики» . Геномные исследования . 25 (10): 1491–1498. DOI : 10.1101 / gr.190595.115 . ISSN 1088-9051 . PMC 4579334 . PMID 26430159 .   
  6. ^ а б Стегле, Оливер; Тейхманн, Сара А .; Мариони, Джон К. (1 марта 2015 г.). «Вычислительные и аналитические проблемы в одноклеточной транскриптомике». Природа Обзоры Генетики . 16 (3): 133–145. DOI : 10,1038 / NRG3833 . ISSN 1471-0056 . PMID 25628217 . S2CID 205486032 .   
  7. ^ Колодзейчик, Александра А .; Ким, Чон Кён; Свенссон, Валентин; Мариони, Джон С .; Тейхманн, Сара А. (май 2015 г.). «Технология и биология секвенирования одноклеточной РНК» . Молекулярная клетка . 58 (4): 610–620. DOI : 10.1016 / j.molcel.2015.04.005 . PMID 26000846 . 
  8. ^ Пулен, Жан-Франсуа; Ташич, Босилька; Hjerling-Leffler, Jens; Тримарчи, Джеффри М .; Аватрамани, Раджешвар (1 сентября 2016 г.). «Распутывание разнообразия нервных клеток с помощью одноклеточной транскриптомики». Природа Неврологии . 19 (9): 1131–1141. DOI : 10.1038 / nn.4366 . ISSN 1097-6256 . PMID 27571192 . S2CID 14461377 .   
  9. ^ Радонич, Александар; Thulke, Стефани; Mackay, Ian M .; Ландт, Ольферт; Зигерт, Вольфганг; Ниче, Андреас (23 января 2004 г.). «Руководство по отбору эталонных генов для количественной ПЦР в реальном времени». Сообщения о биохимических и биофизических исследованиях . 313 (4): 856–862. DOI : 10.1016 / j.bbrc.2003.11.177 . ISSN 0006-291X . PMID 14706621 .  
  10. ^ Wildsmith, SE; Арчер, GE; Винкли, AJ; Пер., ПВ; Бугельский, П.Дж. (1 января 2001 г.). «Максимизация сигнала, полученного от микрочипов кДНК» . Биотехнологии . 30 (1): 202-206, 208. DOI : 10,2144 / 01301dd04 . ISSN 0736-6205 . PMID 11196312 .  
  11. ^ Ван, Чжун; Герштейн, Марк; Снайдер, Майкл (23 марта 2017 г.). «RNA-Seq: революционный инструмент для транскриптомики» . Обзоры природы. Генетика . 10 (1): 57–63. DOI : 10.1038 / nrg2484 . ISSN 1471-0056 . PMC 2949280 . PMID 19015660 .   
  12. ^ Цзян, Личунь; Шлезингер, Феликс; Дэвис, Кэрри А .; Чжан, Ю; Ли, Ренхуа; Салит, Марк; Gingeras, Thomas R .; Оливер, Брайан (23 марта 2017 г.). «Синтетические стандарты для экспериментов с последовательностью РНК» . Геномные исследования . 21 (9): 1543–1551. DOI : 10.1101 / gr.121095.111 . ISSN 1088-9051 . PMC 3166838 . PMID 21816910 .   
  13. ^ а б Ислам, Сайфул; Зейзель, Амит; Джуст, Саймон; Ла-Манно, Джоэле; Заяц, Павел; Каспер, Мария; Лённерберг, Питер; Линнарссон, Стен (1 февраля 2014 г.). «Количественный анализ одноклеточной РНК-последовательности с уникальными молекулярными идентификаторами». Методы природы . 11 (2): 163–166. DOI : 10.1038 / nmeth.2772 . ISSN 1548-7091 . PMID 24363023 . S2CID 6765530 .   
  14. ^ Харченко, Петр В .; Зильберштейн, Лев; Скадден, Дэвид Т. (1 июля 2014 г.). «Байесовский подход к анализу дифференциальной экспрессии одной клетки» . Методы природы . 11 (7): 740–742. DOI : 10.1038 / nmeth.2967 . ISSN 1548-7091 . PMC 4112276 . PMID 24836921 .   
  15. ^ Свенссон, Валентин; Натараджан, Кедар Натх; Ли, Лам-Ха; Miragaia, Ricardo J .; Лабалетт, Шарлотта; Macaulay, Iain C .; Cvejic, Ana; Тайхманн, Сара А. (6 марта 2017 г.). "Мощность анализ экспериментов по секвенированию одноклеточной РНК" . Методы природы . предварительная онлайн-публикация (4): 381–387. DOI : 10.1038 / nmeth.4220 . ISSN 1548-7105 . PMC 5376499 . PMID 28263961 .   
  16. ^ Бюттнер, Флориан; Натараджан, Кедар Н .; Казале, Ф. Паоло; Просерпио, Валентина; Скиалдоне, Антонио; Theis, Fabian J .; Тейхманн, Сара А .; Мариони, Джон С .; Стегле, Оливер (1 февраля 2015 г.). «Компьютерный анализ межклеточной гетерогенности в данных секвенирования одноклеточной РНК выявляет скрытые субпопуляции клеток» . Природа Биотехнологии . 33 (2): 155–160. DOI : 10.1038 / nbt.3102 . ISSN 1087-0156 . PMID 25599176 .  
  17. ^ Нтранос, Василис; Каматх, Говинда М .; Чжан, Джесси М .; Пахтер, Лиор; Це, Дэвид Н. (26 мая 2016 г.). «Быстрый и точный анализ последовательности РНК одной клетки путем кластеризации подсчетов совместимости транскриптов» . Геномная биология . 17 (1): 112. DOI : 10.1186 / s13059-016-0970-8 . ISSN 1474-7596 . PMC 4881296 . PMID 27230763 .   
  18. ^ Пирсон, Эмма; Яу, Кристофер (1 января 2015 г.). «ZIFA: уменьшение размерности для анализа экспрессии одноклеточных генов с нулевым раздутием» . Геномная биология . 16 : 241. DOI : 10.1186 / s13059-015-0805-z . ISSN 1474-760X . PMC 4630968 . PMID 26527291 .   
  19. ^ Treutlein, Барбара; Brownfield, Doug G .; Wu, Angela R .; Нефф, Норма Ф .; Mantalas, Gary L .; Эспиноза, Ф. Эрнан; Desai, Tushar J .; Краснов, Марк А .; Quake, Стивен Р. (15 мая 2014 г.). «Реконструкция иерархии клонов дистального эпителия легких с использованием одноклеточной RNA-seq» . Природа . 509 (7500): 371–375. Bibcode : 2014Natur.509..371T . DOI : 10,1038 / природа13173 . PMC 4145853 . PMID 24739965 .  
  20. ^ Korthauer, Keegan D .; Чу, Ли-Фанг; Ньютон, Майкл А.; Ли, Юань; Томсон, Джеймс; Стюарт, Рон; Кендзёрски, Кристина (1 января 2016 г.). «Статистический подход для определения дифференциальных распределений в экспериментах с одноклеточной последовательностью РНК» . Геномная биология . 17 (1): 222. DOI : 10.1186 / s13059-016-1077-у . ISSN 1474-760X . PMC 5080738 . PMID 27782827 .   
  21. ^ а б Хагверди, Лалех; Бюттнер, Марен; Вольф, Ф. Александр; Бюттнер, Флориан; Тайс, Фабиан Дж. (1 октября 2016 г.). «Диффузионное псевдотовремя надежно реконструирует ветвление клонов» (PDF) . Методы природы . 13 (10): 845–848. DOI : 10.1038 / nmeth.3971 . ISSN 1548-7091 . PMID 27571553 . S2CID 3594049 .    
  22. ^ Saelens, Wouter; Каннудт, Робрехт; Тодоров, Елена; Саис, Иван (2018-03-05). «Сравнение методов вывода траектории одной ячейки: к более точным и надежным инструментам» . bioRxiv : 276907. дои : 10,1101 / 276907 . Проверено 12 марта 2018 .
  23. ^ Трапнелл, Коул; Каккиарелли, Давиде; Гримсби, Джонна; Покхарел, Прапти; Ли, Шуцян; Морс, Майкл; Леннон, Найл Дж .; Ливак, Кеннет Дж .; Mikkelsen, Tarjei S .; Ринн, Джон Л. (23 марта 2017 г.). «Псевдо-временное упорядочение индивидуальных клеток выявляет динамику и регуляторы решений клеточной судьбы» . Природа Биотехнологии . 32 (4): 381–386. DOI : 10.1038 / nbt.2859 . ISSN 1087-0156 . PMC 4122333 . PMID 24658644 .   
  24. ^ Wei, J .; Ху, X .; Zou, X .; Тиан, Т. (1 декабря 2016 г.). «Вывод генетической регуляторной сети для стволовых клеток с использованием данных экспрессии отдельных клеток». Международная конференция по биоинформатике и биомедицине (BIBM), 2016 г., IEEE : 217–222. DOI : 10.1109 / BIBM.2016.7822521 . ISBN 978-1-5090-1611-2. S2CID  27737735 .
  25. ^ Муаньяр, Виктория; Macaulay, Iain C .; Свиерс, Джемма; Бюттнер, Флориан; Шютте, Юдифь; Калеро-Ньето, Фернандо Дж .; Кинстон, Сара; Джоши, Анага; Ханна, Ребекка; Theis, Fabian J .; Якобсен, Стен Эйрик; de Bruijn, Marella F .; Гёттгенс, Бертольд (1 апреля 2013 г.). «Характеристика транскрипционных сетей в стволовых клетках крови и клетках-предшественниках с использованием высокопроизводительного анализа экспрессии одноклеточных генов» . Природа клеточной биологии . 15 (4): 363–372. DOI : 10.1038 / ncb2709 . ISSN 1465-7392 . PMC 3796878 . PMID 23524953 .   
  26. ^ Хикс, Стефани С; Таунс, Уильям Ф; Тэн, Минсян; Иризарри, Рафаэль А. (6 ноября 2017 г.). «Отсутствующие данные и техническая изменчивость в экспериментах по секвенированию одноклеточной РНК» . Биостатистика . 19 (4): 562–578. DOI : 10.1093 / биостатистику / kxx053 . PMC 6215955 . PMID 29121214 .  
  27. ^ Haghverdi, Laleh; Лун, Аарон Т.Л .; Морган, Майкл Д; Мариони, Джон К. (2 апреля 2018 г.). «Пакетные эффекты в данных секвенирования РНК одной клетки корректируются путем сопоставления ближайших соседей» . Природа Биотехнологии . 36 (5): 421–427. DOI : 10.1038 / nbt.4091 . PMC 6152897 . PMID 29608177 .  
  28. ^ Батлер, Эндрю; Хоффман, Пол; Смиберт, Питер; Папалекси, Эфтимия; Сатия, Рахул (2 апреля 2018 г.). «Интеграция транскриптомных данных отдельных клеток в различных условиях, технологиях и видах» . Природа Биотехнологии . 36 (5): 421–427. DOI : 10.1038 / nbt.4096 . PMC 6700744 . PMID 29608179 .  
  29. ^ Стюарт, Тим; Батлер, Эндрю; Хоффман, Пол; Хафемейстер, Кристоф; Папалексия, Эфтимия; Маук, Уильям М. III; Хао, Юхань; Марлон, Стоецкий; Смиберт, Питер; Сатия, Рахул (6 июня 2019 г.). «Комплексная интеграция одноклеточных данных» . Cell . 177 (7): 1888–1902. DOI : 10.1016 / j.cell.2019.05.031 . PMC 6687398 . PMID 31178118 .  

Внешние ссылки [ править ]

  • Рассечение неоднородности опухоли с помощью одноклеточной транскриптомики