Транскриптомика одноклеточных клеток

Транскриптомика отдельных клеток исследует уровень экспрессии генов в отдельных клетках данной популяции путем одновременного измерения концентрации РНК (обычно только информационной РНК (мРНК)) в сотнях и тысячах генов. ^{[ 1 ]} Транскриптомика отдельных клеток позволяет разгадывать гетерогенные клеточные популяции, реконструировать пути клеточного развития и моделировать динамику транскрипции — все это ранее было замаскировано при массовом секвенировании РНК. ^{[ 2 ]}

Фон

Развитие высокопроизводительного секвенирования РНК (RNA-seq) и микрочипов сделало анализ экспрессии генов рутиной. Анализ РНК ранее ограничивался отслеживанием отдельных транскриптов с помощью нозерн-блоттинга или количественной ПЦР . Более высокая производительность и скорость позволяют исследователям часто характеризовать профили экспрессии популяций тысяч клеток. Данные массовых анализов привели к идентификации генов, дифференциально экспрессирующихся в различных популяциях клеток, и открытию биомаркеров . ^{[ 3 ]}

Эти исследования ограничены, поскольку они обеспечивают измерения для целых тканей и, как следствие, показывают средний профиль экспрессии для всех составляющих клеток. У этого есть несколько недостатков. Во-первых, разные типы клеток в одной и той же ткани могут играть разные роли в многоклеточных организмах. Они часто образуют субпопуляции с уникальными профилями транскрипции. Корреляции в экспрессии генов субпопуляций часто можно пропустить из-за отсутствия идентификации субпопуляций. ^{[ 1 ]} Во-вторых, массовые анализы не позволяют определить, связано ли изменение профиля экспрессии с изменением регуляции или состава — например, если один тип клеток становится доминирующим в популяции. Наконец, когда ваша цель — изучить клеточную прогрессию посредством дифференцировки , средние профили экспрессии могут упорядочить клетки только по времени, а не по стадиям развития. Следовательно, они не могут показать тенденции в уровнях экспрессии генов, специфичные для определенных стадий. ^{[ 4 ]}

Последние достижения в области биотехнологии позволяют одновременно измерять экспрессию генов в сотнях и тысячах отдельных клеток. Хотя эти прорывы в технологиях транскриптомики позволили получить транскриптомные данные отдельных клеток, они также поставили новые вычислительные и аналитические задачи. Биоинформатики могут использовать методы массового секвенирования РНК для получения данных об отдельных клетках. Тем не менее, для этого типа данных пришлось разработать множество новых вычислительных подходов, чтобы облегчить полное и детальное изучение профилей экспрессии отдельных клеток. ^{[ 5 ]}

Экспериментальные этапы

До сих пор не существует стандартизированного метода получения данных об отдельных клетках: 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 секвенирование РНК. ^{[ 6 ]}

Изолирование отдельных клеток

Существует несколько методов выделения и амплификации клеток для анализа отдельных клеток. Методы с низкой пропускной способностью способны изолировать сотни клеток, работают медленно и позволяют осуществлять селекцию. Эти методы включают в себя:

Высокопроизводительные методы способны быстро изолировать от сотен до десятков тысяч клеток. ^{[ 7 ]} Общие методы включают в себя:

Сортировка клеток, активируемая флуоресценцией (FACS)
Микрофлюидные устройства

Сочетание FACS с scRNA-seq позволило создать оптимизированные протоколы, такие как SORT-seq. ^{[ 8 ]} Список исследований, в которых использовалась SORT-seq, можно найти здесь. ^{[ 9 ]} Более того, сочетание микрофлюидных устройств с scRNA-seq было оптимизировано в протоколах 10x Genomics. ^{[ 10 ]}

Количественная ПЦР (кПЦР)

Для измерения уровня экспрессии каждого транскрипта можно применить qPCR. Ген-специфические праймеры используются для амплификации соответствующего гена, как и при обычной ПЦР , и в результате данные обычно получаются только для выборок размером менее 100 генов. Включение генов домашнего хозяйства , экспрессия которых должна быть постоянная в данных условиях, используется для нормализации. Наиболее часто используемые гены «домашнего хозяйства» включают GAPDH и α- актин , хотя надежность нормализации посредством этого процесса сомнительна, поскольку есть доказательства того, что уровень экспрессии может значительно варьироваться. ^{[ 11 ]} Флуоресцентные красители используются в качестве репортерных молекул для обнаружения продукта ПЦР и контроля за ходом амплификации — увеличение интенсивности флуоресценции пропорционально концентрации ампликона . График зависимости флуоресценции от цикла задается число и используется пороговый уровень флуоресценции, чтобы найти номер цикла, при котором график достигает этого значения. Номер цикла в этот момент известен как пороговый цикл (C _t ) и измеряется для каждого гена. ^{[ 12 ]}

Секвенирование одноклеточной РНК

Метод одноклеточной секвенирования РНК преобразует популяцию РНК в библиотеку фрагментов кДНК . Эти фрагменты секвенируются с помощью высокопроизводительных методов секвенирования следующего поколения , и прочтения сопоставляются обратно с эталонным геномом, обеспечивая подсчет количества прочтений, связанных с каждым геном. ^{[ 13 ]}

Нормализация данных секвенирования РНК учитывает различия в эффективности формирования и секвенирования библиотеки кДНК от клетки к клетке. Один из методов основан на использовании внешних вставок РНК (последовательностей РНК с известной последовательностью и количеством), которые добавляются в равных количествах к каждому клеточному лизату и используются для нормализации количества прочтений по числу прочтений, сопоставленных с вкрапленной мРНК . ^{[ 14 ]}

Другой контроль использует уникальные молекулярные идентификаторы (UMI) — короткие последовательности ДНК (6–10 нуклеотидов), 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. ^{[ 15 ]}

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

Соображения

Проблема, связанная с данными об отдельных клетках, возникает в виде нулевого завышенного распределения экспрессии генов, известного как технические выпадения, которое часто встречается из-за низких концентраций мРНК менее экспрессируемых генов, которые не улавливаются в процессе обратной транскрипции. Процент обнаруживаемых молекул мРНК в клеточном лизате часто составляет всего 10-20%. ^{[ 16 ]}

При использовании вставок РНК для нормализации делается предположение, что эффективность амплификации и секвенирования эндогенной и вкрапленной РНК одинакова. Имеющиеся данные свидетельствуют о том, что это не так, учитывая фундаментальные различия в размерах и особенностях, такие как отсутствие полиаденилированного хвоста у шипов и, следовательно, более короткая длина. ^{[ 17 ]} Кроме того, нормализация с использованием UMI предполагает, что библиотека кДНК секвенирована до насыщения, что не всегда так. ^{[ 15 ]}

Анализ данных

Результаты, основанные на анализе данных отдельных клеток, предполагают, что входные данные представляют собой матрицу нормализованных показателей экспрессии генов, созданных с помощью подходов, изложенных выше, и могут предоставить возможности, которые невозможно получить в массовом порядке.

Было сделано три основных вывода: ^{[ 18 ]}

Идентификация и характеристика типов клеток и их пространственная организация во времени
Вывод о регуляторных сетях генов и их силе в отдельных клетках
Классификация стохастического компонента транскрипции

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

Кластеризация

Кластеризация позволяет формировать подгруппы в клеточной популяции. Клетки можно группировать по их транскриптомному профилю, чтобы проанализировать структуру субпопуляции и идентифицировать редкие типы клеток или подтипы клеток. Альтернативно, гены могут быть сгруппированы по состояниям их экспрессии, чтобы идентифицировать ковариирующие гены. Комбинация обоих подходов к кластеризации, известная как бикластеризация , использовалась для одновременной кластеризации по генам и клеткам с целью поиска генов, которые ведут себя одинаково внутри кластеров клеток. ^{[ 19 ]}

Применяемыми методами кластеризации могут быть кластеризация K-средними , образующая непересекающиеся группы, или иерархическая кластеризация , образующая вложенные разделы.

Бикластеризация

Бикластеризация дает несколько преимуществ за счет улучшения разрешения кластеризации. Гены, которые информативны только для определенного подмножества клеток и, следовательно, экспрессируются только там, могут быть идентифицированы посредством бикластеризации. Более того, с помощью этого метода можно идентифицировать гены со сходным поведением, которые отличают один кластер клеток от другого. ^{[ 20 ]}

Уменьшение размерности

Алгоритмы уменьшения размерности, такие как анализ главных компонентов (PCA) и t-SNE, могут использоваться для упрощения данных для визуализации и обнаружения закономерностей путем преобразования ячеек из пространства высокой размерности в пространство меньшей размерности . Результатом этого метода являются графики, в которых каждая ячейка представляет собой точку в двухмерном или трехмерном пространстве. Уменьшение размерности часто используется перед кластеризацией, поскольку ячейки в больших размерностях могут ошибочно казаться близкими из-за неинтуитивного поведения метрик расстояния. ^{[ 21 ]}

Анализ главных компонентов

Наиболее часто используемым методом является PCA, который определяет направления с наибольшей дисперсией главных компонентов и преобразует данные так, чтобы первый главный компонент имел максимально возможную дисперсию, а каждый из последующих главных компонентов, в свою очередь, имел максимально возможную дисперсию, оставаясь при этом ортогональным к предшествующие компоненты. Вклад каждого гена в каждый компонент используется для вывода о том, какие гены в наибольшей степени способствуют изменчивости популяции и участвуют в дифференциации различных субпопуляций. ^{[ 22 ]}

Дифференциальное выражение

Для обнаружения различий в уровне экспрессии генов между двумя популяциями используются как одноклеточные, так и объемные транскриптомные данные. Для данных об одной ячейке были разработаны специализированные методы, которые учитывают такие особенности одной ячейки, как технические выпадения и форму распределения, например бимодальное или унимодальное . ^{[ 23 ]}

Обогащение онтологии генов

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

Молекулярная функция
Клеточный компонент
Биологический процесс

Обогащение терминов Онтологии генов (GO) — это метод, используемый для определения того, какие термины GO перепредставлены или недостаточно представлены в данном наборе генов. В одноклеточном анализе входной список интересующих генов может быть выбран на основе дифференциально экспрессируемых генов или групп генов, полученных в результате бикластеризации. Количество генов, аннотированных к термину GO во входном списке, нормализуется по количеству генов, аннотированных к термину GO, в фоновом наборе всех генов в геноме для определения статистической значимости. ^{[ 24 ]}

Псевдовременное упорядочение

Псевдовременное упорядочение (или вывод траектории) — это метод, целью которого является сделать вывод о динамике экспрессии генов на основе моментальных данных об отдельных клетках. 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 за более сложными графовыми структурами. Таким образом, траектория позволяет сделать вывод о динамике экспрессии генов и упорядочении клеток по их продвижению через дифференцировку или реакцию на внешние стимулы. Метод основан на предположении, что клетки следуют одному и тому же пути в интересующем процессе и что их состояние транскрипции коррелирует с их прогрессом. Алгоритм может применяться как к смешанным популяциям, так и к временным выборкам.

Было разработано более 50 методов псевдовременного упорядочения, и каждый из них имеет свои собственные требования к априорной информации (например, стартовым ячейкам или данным временного курса), обнаруживаемым топологиям и методологии. ^{[ 25 ]} Примером алгоритма является алгоритм Монокля. ^{[ 26 ]} который выполняет уменьшение размерности данных, строит минимальное связующее дерево с использованием преобразованных данных, упорядочивает ячейки в псевдовремени, следуя по самому длинному связному пути дерева, и, следовательно, маркирует ячейки по типу. Другим примером является алгоритм диффузного псевдовремени (DPT). ^{[ 24 ]} который использует карту диффузии и процесс диффузии. Другой класс методов, таких как MARGARET. ^{[ 27 ]} используйте разделение графов для захвата сложных топологий траекторий, таких как несвязные и разветвленные траектории.

Сетевой вывод

Вывод генной регуляторной сети — это метод, целью которого является создание сети, представленной в виде графа, в котором узлы представляют гены, а ребра указывают на корегуляторные взаимодействия. Метод основан на предположении, что сильная статистическая связь между экспрессией генов является показателем потенциальной функциональной связи. ^{[ 28 ]} Наиболее часто используемым методом измерения силы статистической взаимосвязи является корреляция . Однако корреляция не позволяет выявить нелинейные связи, и взаимная информация в качестве альтернативы используется . Кластеры генов, связанные в сеть, обозначают гены, экспрессия которых претерпевает скоординированные изменения. ^{[ 29 ]}

Интеграция

Наличие или сила технических эффектов и наблюдаемые типы клеток часто различаются в наборах данных транскриптомики отдельных клеток, созданных с использованием разных экспериментальных протоколов и в разных условиях. Эта разница приводит к сильному эффекту партии , который может искажать результаты статистических методов, применяемых к партиям, особенно при наличии мешающих факторов . ^{[ 30 ]} В результате вышеупомянутых свойств транскриптомных данных одиночных клеток методы пакетной коррекции, разработанные для данных массового секвенирования, работали плохо. Следовательно, исследователи разработали статистические методы для коррекции пакетных эффектов, которые устойчивы к свойствам транскриптомных данных отдельных клеток, для интеграции данных из разных источников или экспериментальных партий. Лалех Хагверди выполнила основополагающую работу по формулированию использования общих ближайших соседей между каждой партией для определения векторов пакетной коррекции. ^{[ 31 ]} С помощью этих векторов вы можете объединять наборы данных, каждый из которых включает хотя бы один общий тип ячеек. Ортогональный подход предполагает проекцию каждого набора данных на общее низкоразмерное пространство с использованием канонического корреляционного анализа . ^{[ 32 ]} Взаимные ближайшие соседи и канонический корреляционный анализ также были объединены для определения «якорей» интеграции, включающих эталонные ячейки в одном наборе данных, к которым нормализуются ячейки запроса в другом наборе данных. ^{[ 33 ]} Другой класс методов (например, scDREAMER ^{[ 34 ]}) использует глубокие генеративные модели, такие как вариационные автокодеры, для изучения пакетно-инвариантных скрытых клеточных представлений, которые можно использовать для последующих задач, таких как кластеризация типов клеток, шумоподавление векторов экспрессии генов в одной клетке и вывод траектории. ^{[ 27 ]}

См. также

Ссылки

^ Jump up to: ^а ^б Кантер, Итамар; Калиски, Томер (2015). «Одноклеточная транскриптомика: методы и приложения» . Границы онкологии . 5 : 53. doi : 10.3389/fonc.2015.00053 . ISSN 2234-943X . ПМЦ 4354386 . ПМИД 25806353 .
^ Лю, Серена; Трапнелл, Коул (2016). «Секвенирование одноклеточного транскриптома: последние достижения и оставшиеся проблемы» . F1000Исследования . 5 : F1000 Факультет Ред. – 182. дои : 10.12688/f1000research.7223.1 . ISSN 2046-1402 . ПМЦ 4758375 . ПМИД 26949524 .
^ Сабо, Дэвид Т. (2014). «Глава 62. Транскриптомные биомаркеры в оценке безопасности и риска химических веществ». Биомаркеры в токсикологии . Академическая пресса. стр. 1033–1038. ISBN 9780124046306 .
^ Трапнелл, Коул (октябрь 2015 г.). «Определение типов и состояний клеток с помощью геномики отдельных клеток» . Геномные исследования . 25 (10): 1491–1498. дои : 10.1101/гр.190595.115 . ISSN 1549-5469 . ПМЦ 4579334 . ПМИД 26430159 .
^ Стегл, О.; Тейхманн, С.; Мариони, Дж. (2015). «Вычислительные и аналитические задачи транскриптомики одноклеточных». Обзоры природы Генетика . 16 (3): 133–145. дои : 10.1038/nrg3833 . ПМИД 25628217 . S2CID 205486032 .
^ Колодзейчик, Александра А.; Ким, Чон Кён; Свенссон, Валентин; Мариони, Джон К.; 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 . ПМИД 26000846 .
^ Пулен, Жан-Франсуа; Ташич, Босилька; Хьерлинг-Леффлер, Йенс; Тримарчи, Джеффри М.; Аватрамани, Раджешвар (1 сентября 2016 г.). «Распутывание разнообразия нервных клеток с помощью транскриптомики отдельных клеток». Природная неврология . 19 (9): 1131–1141. дои : 10.1038/nn.4366 . ISSN 1097-6256 . ПМИД 27571192 . S2CID 14461377 .
^ Мураро, Мауро Дж.; Дхармадхикари, Гитанджали; Грюн, Доминик; Грин, Натали; Дилен, Тим; Янсен, Эрик; ван Гурп, Леон; Инглиш, Мартен А.; Карлотти, Франсуаза; де Конинг, Eelco JP; ван Ауденарден, Александр (26 октября 2016 г.). «Атлас одноклеточных транскриптомов поджелудочной железы человека» . CellSystems . 3 (4): 385–394.e3. дои : 10.1016/j.cels.2016.09.002 . ISSN 2405-4712 . ПМЦ 5092539 . ПМИД 27693023 .
^ «Архивы SORT-seq» . Открытия одиночных клеток . Проверено 15 ноября 2022 г.
^ Чжэн, Грейс XY; Терри, Джессика М.; Белградер, Филипп; Рывкин, Павел; Бент, Закари В.; Уилсон, Райан; Зиральдо, Солонго Б.; Уилер, Тобиас Д.; Макдермотт, Джефф П.; Чжу, Цзюньцзе; Грегори, Марк Т.; Шуга, Джо; Монтескарос, Луз; Андервуд, Джейсон Г.; Маскелье, Дональд А. (16 января 2017 г.). «Массовое параллельное цифровое транскрипционное профилирование отдельных клеток» . Природные коммуникации . 8 (1): 14049. Бибкод : 2017NatCo...814049Z . дои : 10.1038/ncomms14049 . ISSN 2041-1723 . ПМК 5241818 . ПМИД 28091601 .
^ Радонич, Александр; Тулк, Стефани; Маккей, Ян М.; Ландт, Ольферт; Зигерт, Вольфганг; Ниче, Андреас (23 января 2004 г.). «Руководство по выбору генов для количественной ПЦР в реальном времени». Связь с биохимическими и биофизическими исследованиями . 313 (4): 856–862. дои : 10.1016/j.bbrc.2003.11.177 . ISSN 0006-291X . ПМИД 14706621 .
^ Уайлдсмит, SE; Арчер, GE; Уинкли, Эй Джей; Лейн, ПВ; Бугельски, П.Дж. (1 января 2001 г.). «Максимализация сигнала, полученного от микрочипов кДНК» . БиоТехники . 30 (1): 202–206, 208. doi : 10.2144/01301dd04 . ISSN 0736-6205 . ПМИД 11196312 .
^ Ван, Чжун; Герштейн, Марк; Снайдер, Майкл (23 марта 2017 г.). «RNA-Seq: революционный инструмент для транскриптомики» . Обзоры природы. Генетика . 10 (1): 57–63. дои : 10.1038/nrg2484 . ISSN 1471-0056 . ПМЦ 2949280 . ПМИД 19015660 .
^ Цзян, Личунь; Шлезингер, Феликс; Дэвис, Кэрри А.; Чжан, Ю; Ли, Жэньхуа; Салит, Марк; Гингерас, Томас Р.; Оливер, Брайан (23 марта 2017 г.). «Синтетические стандарты для экспериментов по секвенированию РНК» . Геномные исследования . 21 (9): 1543–1551. дои : 10.1101/гр.121095.111 . ISSN 1088-9051 . ПМК 3166838 . ПМИД 21816910 .
^ Jump up to: ^а ^б Ислам, Сайфул; Зейзель, Амит; Йост, Саймон; Ла Манно, Джоэле; Заяц, Павел; Каспер, Мария; Лённерберг, Питер; Линнарссон, Стен (1 февраля 2014 г.). «Количественный секвенирование одноклеточной РНК с уникальными молекулярными идентификаторами». Природные методы . 11 (2): 163–166. дои : 10.1038/nmeth.2772 . ISSN 1548-7091 . ПМИД 24363023 . S2CID 6765530 .
^ Харченко Петр Владимирович; Зильберштейн, Лев; Скадден, Дэвид Т. (1 июля 2014 г.). «Байесовский подход к анализу дифференциальной экспрессии отдельных клеток» . Природные методы . 11 (7): 740–742. дои : 10.1038/nmeth.2967 . ISSN 1548-7091 . ПМЦ 4112276 . ПМИД 24836921 .
^ Свенссон, Валентин; Натараджан, Кедар Натх; Ли, Лам-Ха; Мирагайя, Рикардо Дж.; Лабалетт, Шарлотта; Маколей, Иэн К.; Цвеич, Ана; Тейхманн, Сара А. (6 марта 2017 г.). «Анализ мощности экспериментов по секвенированию одноклеточной РНК» . Природные методы . предварительная онлайн-публикация (4): 381–387. дои : 10.1038/nmeth.4220 . ISSN 1548-7105 . ПМЦ 5376499 . ПМИД 28263961 .
^ Стегл, Оливер; Тейхманн, Сара А.; Мариони, Джон К. (1 марта 2015 г.). «Вычислительные и аналитические задачи транскриптомики одноклеточных». Обзоры природы Генетика . 16 (3): 133–145. дои : 10.1038/nrg3833 . ISSN 1471-0056 . ПМИД 25628217 . S2CID 205486032 .
^ Бюттнер, Флориан; Натараджан, Кедар Н.; Казале, Ф. Паоло; Прозерпио, Валентина; Скиалдоне, Антонио; Тайс, Фабиан Дж.; Тейхманн, Сара А.; Мариони, Джон К.; Стегл, Оливер (1 февраля 2015 г.). «Вычислительный анализ межклеточной гетерогенности в данных секвенирования одноклеточной РНК выявляет скрытые субпопуляции клеток» . Природная биотехнология . 33 (2): 155–160. дои : 10.1038/nbt.3102 . ISSN 1087-0156 . ПМИД 25599176 .
^ Нтранос, Василис; Камат, Говинда М.; Чжан, Джесси М.; Пахтер, Лиор; Це, Дэвид Н. (26 мая 2016 г.). «Быстрый и точный анализ секвенирования одноклеточной РНК путем кластеризации показателей совместимости транскриптов» . Геномная биология . 17 (1): 112. дои : 10.1186/s13059-016-0970-8 . ISSN 1474-7596 . ПМЦ 4881296 . ПМИД 27230763 .
^ Пирсон, Эмма; Яу, Кристофер (1 января 2015 г.). «ZIFA: уменьшение размерности для анализа экспрессии генов в отдельных клетках с нулевым завышением» . Геномная биология . 16 : 241. дои : 10.1186/s13059-015-0805-z . ISSN 1474-760X . ПМК 4630968 . ПМИД 26527291 .
^ Трейтлейн, Барбара; Браунфилд, Дуг Г.; Ву, Анджела Р.; Нефф, Норма Ф.; Манталас, Гэри Л.; Эспиноза, Ф. Эрнан; Десаи, Тушар Дж.; Краснов, Марк А.; Землетрясение, Стивен Р. (15 мая 2014 г.). «Реконструкция иерархии линий дистального эпителия легких с использованием секвенирования одноклеточной РНК» . Природа . 509 (7500): 371–375. Бибкод : 2014Natur.509..371T . дои : 10.1038/nature13173 . ПМЦ 4145853 . ПМИД 24739965 .
^ Кортауэр, Киган Д.; Чу, Ли-Фан; Ньютон, Майкл А.; Ли, Юань; Томсон, Джеймс; Стюарт, Рон; Кендзиорский, Кристина (1 января 2016 г.). «Статистический подход для выявления дифференциальных распределений в экспериментах по секвенированию РНК на отдельных клетках» . Геномная биология . 17 (1): 222. doi : 10.1186/s13059-016-1077-y . ISSN 1474-760X . ПМК 5080738 . ПМИД 27782827 .
^ Jump up to: ^а ^б Ахверди, Лалех; Бюттнер, Марен; Вольф, Ф. Александр; Бюттнер, Флориан; Тайс, Фабиан Дж. (1 октября 2016 г.). «Псевдовремя диффузии надежно реконструирует ветвление линии» (PDF) . Природные методы . 13 (10): 845–848. дои : 10.1038/nmeth.3971 . ISSN 1548-7091 . ПМИД 27571553 . S2CID 3594049 .
^ Саленс, Воутер; Каннудт, Робрехт; Тодорова, Елена; Саис, Иван (5 марта 2018 г.). «Сравнение методов вывода траектории одной ячейки: к более точным и надежным инструментам» . bioRxiv : 276907. doi : 10.1101/276907 . Проверено 12 марта 2018 г.
^ Трапнелл, Коул; Качкьярелли, Давиде; Гримсби, Джонна; Похарел, Прапти; Ли, Шуцян; Морс, Майкл; Леннон, Найл Дж.; Ливак, Кеннет Дж.; Миккельсен, Тарьей С.; Ринн, Джон Л. (23 марта 2017 г.). «Псевдовременное упорядочение отдельных клеток раскрывает динамику и регуляторы решений клеточной судьбы» . Природная биотехнология . 32 (4): 381–386. дои : 10.1038/nbt.2859 . ISSN 1087-0156 . ПМЦ 4122333 . ПМИД 24658644 .
^ Jump up to: ^а ^б Пандей, Кушагра; Зафар, Хамим (2022). «Вывод о переходах состояний клеток и пластичности судеб клеток из одиночных клеток с помощью MARGARET» . Исследования нуклеиновых кислот . 50 (15): е86. дои : 10.1093/nar/gkac412 . ISSN 0305-1048 . ПМЦ 9410915 . ПМИД 35639499 .
^ Вэй, Дж.; Ху, Х.; Цзоу, X.; Тиан, Т. (1 декабря 2016 г.). «Вывод о генетической регуляторной сети стволовых клеток с использованием данных об экспрессии отдельных клеток». Международная конференция IEEE по биоинформатике и биомедицине (BIBM) , 2016 г. стр. 217–222. дои : 10.1109/BIBM.2016.7822521 . ISBN 978-1-5090-1611-2 . S2CID 27737735 .
^ Муаньяр, Виктория; Маколей, Иэн К.; Свирс, Джемма; Бюттнер, Флориан; Шютте, Юдит; Калеро-Внук, Фердинанд Дж.; Кинстон, Сара; Джоши, Анага; Ханна, Ребекка; Тайс, Фабиан Дж.; Якобсен, Стоун Эрик; де Брейн, Марелла Ф.; Геттгенс, Бертольд (1 апреля 2013 г.). «Характеристика транскрипционных сетей в стволовых клетках крови и клетках-предшественниках с использованием высокопроизводительного анализа экспрессии генов в отдельных клетках» . Природная клеточная биология . 15 (4): 363–372. дои : 10.1038/ncb2709 . ISSN 1465-7392 . ПМЦ 3796878 . ПМИД 23524953 .
^ Хикс, Стефани С; Таунс, Уильям Ф; Тэн, Минсян; Ирисарри, Рафаэль А (6 ноября 2017 г.). «Недостающие данные и техническая изменчивость в экспериментах по секвенированию одноклеточной РНК» . Биостатистика . 19 (4): 562–578. doi : 10.1093/biostatistics/kxx053 . ПМК 6215955 . ПМИД 29121214 .
^ Ахверди, Лалех; Лун, Аарон Т.Л.; Морган, Майкл Д.; Мариони, Джон С. (2 апреля 2018 г.). «Пакетные эффекты в данных секвенирования одноклеточной РНК корректируются путем сопоставления взаимных ближайших соседей» . Природная биотехнология . 36 (5): 421–427. дои : 10.1038/nbt.4091 . ПМК 6152897 . ПМИД 29608177 .
^ Батлер, Эндрю; Хоффман, Пол; Смайберт, Питер; Папалекси, Эфтимия; Сатиджа, Рахул (2 апреля 2018 г.). «Интеграция транскриптомных данных отдельных клеток в различных условиях, технологиях и видах» . Природная биотехнология . 36 (5): 421–427. дои : 10.1038/nbt.4096 . ПМК 6700744 . ПМИД 29608179 .
^ Стюарт, Тим; Батлер, Эндрю; Хоффман, Пол; Хафемейстер, Кристоф; Папалексия, Эфтимия; Маук, Уильям М III; Ты, Джон; Марлон, Стоекиус; Смайберт, Питер; Сатиджа, Рахул (6 июня 2019 г.). «Комплексная интеграция одноклеточных данных» . Клетка . 177 (7): 1888–1902. дои : 10.1016/j.cell.2019.05.031 . ПМК 6687398 . ПМИД 31178118 .
^ Шри, Аджита; Паван, Мусале Крушна; Зафар, Хамим (27 ноября 2023 г.). «scDREAMER для интеграции наборов данных из одной ячейки на уровне атласа с использованием глубокой генеративной модели в сочетании с состязательным классификатором» . Природные коммуникации . 14 (1): 7781. doi : 10.1038/s41467-023-43590-8 . ПМЦ 10682386 . ПМИД 38012145 .

Внешние ссылки

Анализ гетерогенности опухоли с помощью одноклеточной транскриптомики
Полное руководство по секвенированию одноклеточной РНК от поставщика услуг по секвенированию одноклеточной РНК Single Cell Discoveries.

[Kanter_2015_53-1] Jump up to: ^а ^б Кантер, Итамар; Калиски, Томер (2015). «Одноклеточная транскриптомика: методы и приложения» . Границы онкологии . 5 : 53. doi : 10.3389/fonc.2015.00053 . ISSN 2234-943X . ПМЦ 4354386 . ПМИД 25806353 .

[2] Лю, Серена; Трапнелл, Коул (2016). «Секвенирование одноклеточного транскриптома: последние достижения и оставшиеся проблемы» . F1000Исследования . 5 : F1000 Факультет Ред. – 182. дои : 10.12688/f1000research.7223.1 . ISSN 2046-1402 . ПМЦ 4758375 . ПМИД 26949524 .

[3] Сабо, Дэвид Т. (2014). «Глава 62. Транскриптомные биомаркеры в оценке безопасности и риска химических веществ». Биомаркеры в токсикологии . Академическая пресса. стр. 1033–1038. ISBN 9780124046306 .

[4] Трапнелл, Коул (октябрь 2015 г.). «Определение типов и состояний клеток с помощью геномики отдельных клеток» . Геномные исследования . 25 (10): 1491–1498. дои : 10.1101/гр.190595.115 . ISSN 1549-5469 . ПМЦ 4579334 . ПМИД 26430159 .

[5] Стегл, О.; Тейхманн, С.; Мариони, Дж. (2015). «Вычислительные и аналитические задачи транскриптомики одноклеточных». Обзоры природы Генетика . 16 (3): 133–145. дои : 10.1038/nrg3833 . ПМИД 25628217 . S2CID 205486032 .

[6] Колодзейчик, Александра А.; Ким, Чон Кён; Свенссон, Валентин; Мариони, Джон К.; 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 . ПМИД 26000846 .

[7] Пулен, Жан-Франсуа; Ташич, Босилька; Хьерлинг-Леффлер, Йенс; Тримарчи, Джеффри М.; Аватрамани, Раджешвар (1 сентября 2016 г.). «Распутывание разнообразия нервных клеток с помощью транскриптомики отдельных клеток». Природная неврология . 19 (9): 1131–1141. дои : 10.1038/nn.4366 . ISSN 1097-6256 . ПМИД 27571192 . S2CID 14461377 .

[8] Мураро, Мауро Дж.; Дхармадхикари, Гитанджали; Грюн, Доминик; Грин, Натали; Дилен, Тим; Янсен, Эрик; ван Гурп, Леон; Инглиш, Мартен А.; Карлотти, Франсуаза; де Конинг, Eelco JP; ван Ауденарден, Александр (26 октября 2016 г.). «Атлас одноклеточных транскриптомов поджелудочной железы человека» . CellSystems . 3 (4): 385–394.e3. дои : 10.1016/j.cels.2016.09.002 . ISSN 2405-4712 . ПМЦ 5092539 . ПМИД 27693023 .

[9] «Архивы SORT-seq» . Открытия одиночных клеток . Проверено 15 ноября 2022 г.

[10] Чжэн, Грейс XY; Терри, Джессика М.; Белградер, Филипп; Рывкин, Павел; Бент, Закари В.; Уилсон, Райан; Зиральдо, Солонго Б.; Уилер, Тобиас Д.; Макдермотт, Джефф П.; Чжу, Цзюньцзе; Грегори, Марк Т.; Шуга, Джо; Монтескарос, Луз; Андервуд, Джейсон Г.; Маскелье, Дональд А. (16 января 2017 г.). «Массовое параллельное цифровое транскрипционное профилирование отдельных клеток» . Природные коммуникации . 8 (1): 14049. Бибкод : 2017NatCo...814049Z . дои : 10.1038/ncomms14049 . ISSN 2041-1723 . ПМК 5241818 . ПМИД 28091601 .

[11] Радонич, Александр; Тулк, Стефани; Маккей, Ян М.; Ландт, Ольферт; Зигерт, Вольфганг; Ниче, Андреас (23 января 2004 г.). «Руководство по выбору генов для количественной ПЦР в реальном времени». Связь с биохимическими и биофизическими исследованиями . 313 (4): 856–862. дои : 10.1016/j.bbrc.2003.11.177 . ISSN 0006-291X . ПМИД 14706621 .

[12] Уайлдсмит, SE; Арчер, GE; Уинкли, Эй Джей; Лейн, ПВ; Бугельски, П.Дж. (1 января 2001 г.). «Максимализация сигнала, полученного от микрочипов кДНК» . БиоТехники . 30 (1): 202–206, 208. doi : 10.2144/01301dd04 . ISSN 0736-6205 . ПМИД 11196312 .

[13] Ван, Чжун; Герштейн, Марк; Снайдер, Майкл (23 марта 2017 г.). «RNA-Seq: революционный инструмент для транскриптомики» . Обзоры природы. Генетика . 10 (1): 57–63. дои : 10.1038/nrg2484 . ISSN 1471-0056 . ПМЦ 2949280 . ПМИД 19015660 .

[14] Цзян, Личунь; Шлезингер, Феликс; Дэвис, Кэрри А.; Чжан, Ю; Ли, Жэньхуа; Салит, Марк; Гингерас, Томас Р.; Оливер, Брайан (23 марта 2017 г.). «Синтетические стандарты для экспериментов по секвенированию РНК» . Геномные исследования . 21 (9): 1543–1551. дои : 10.1101/гр.121095.111 . ISSN 1088-9051 . ПМК 3166838 . ПМИД 21816910 .

[Quantitative_single-cell_RNA-seq_wi-15] Jump up to: ^а ^б Ислам, Сайфул; Зейзель, Амит; Йост, Саймон; Ла Манно, Джоэле; Заяц, Павел; Каспер, Мария; Лённерберг, Питер; Линнарссон, Стен (1 февраля 2014 г.). «Количественный секвенирование одноклеточной РНК с уникальными молекулярными идентификаторами». Природные методы . 11 (2): 163–166. дои : 10.1038/nmeth.2772 . ISSN 1548-7091 . ПМИД 24363023 . S2CID 6765530 .

[16] Харченко Петр Владимирович; Зильберштейн, Лев; Скадден, Дэвид Т. (1 июля 2014 г.). «Байесовский подход к анализу дифференциальной экспрессии отдельных клеток» . Природные методы . 11 (7): 740–742. дои : 10.1038/nmeth.2967 . ISSN 1548-7091 . ПМЦ 4112276 . ПМИД 24836921 .

[17] Свенссон, Валентин; Натараджан, Кедар Натх; Ли, Лам-Ха; Мирагайя, Рикардо Дж.; Лабалетт, Шарлотта; Маколей, Иэн К.; Цвеич, Ана; Тейхманн, Сара А. (6 марта 2017 г.). «Анализ мощности экспериментов по секвенированию одноклеточной РНК» . Природные методы . предварительная онлайн-публикация (4): 381–387. дои : 10.1038/nmeth.4220 . ISSN 1548-7105 . ПМЦ 5376499 . ПМИД 28263961 .

[Computational_and_analytical_challe-18] Стегл, Оливер; Тейхманн, Сара А.; Мариони, Джон К. (1 марта 2015 г.). «Вычислительные и аналитические задачи транскриптомики одноклеточных». Обзоры природы Генетика . 16 (3): 133–145. дои : 10.1038/nrg3833 . ISSN 1471-0056 . ПМИД 25628217 . S2CID 205486032 .

[19] Бюттнер, Флориан; Натараджан, Кедар Н.; Казале, Ф. Паоло; Прозерпио, Валентина; Скиалдоне, Антонио; Тайс, Фабиан Дж.; Тейхманн, Сара А.; Мариони, Джон К.; Стегл, Оливер (1 февраля 2015 г.). «Вычислительный анализ межклеточной гетерогенности в данных секвенирования одноклеточной РНК выявляет скрытые субпопуляции клеток» . Природная биотехнология . 33 (2): 155–160. дои : 10.1038/nbt.3102 . ISSN 1087-0156 . ПМИД 25599176 .

[20] Нтранос, Василис; Камат, Говинда М.; Чжан, Джесси М.; Пахтер, Лиор; Це, Дэвид Н. (26 мая 2016 г.). «Быстрый и точный анализ секвенирования одноклеточной РНК путем кластеризации показателей совместимости транскриптов» . Геномная биология . 17 (1): 112. дои : 10.1186/s13059-016-0970-8 . ISSN 1474-7596 . ПМЦ 4881296 . ПМИД 27230763 .

[21] Пирсон, Эмма; Яу, Кристофер (1 января 2015 г.). «ZIFA: уменьшение размерности для анализа экспрессии генов в отдельных клетках с нулевым завышением» . Геномная биология . 16 : 241. дои : 10.1186/s13059-015-0805-z . ISSN 1474-760X . ПМК 4630968 . ПМИД 26527291 .

[22] Трейтлейн, Барбара; Браунфилд, Дуг Г.; Ву, Анджела Р.; Нефф, Норма Ф.; Манталас, Гэри Л.; Эспиноза, Ф. Эрнан; Десаи, Тушар Дж.; Краснов, Марк А.; Землетрясение, Стивен Р. (15 мая 2014 г.). «Реконструкция иерархии линий дистального эпителия легких с использованием секвенирования одноклеточной РНК» . Природа . 509 (7500): 371–375. Бибкод : 2014Natur.509..371T . дои : 10.1038/nature13173 . ПМЦ 4145853 . ПМИД 24739965 .

[23] Кортауэр, Киган Д.; Чу, Ли-Фан; Ньютон, Майкл А.; Ли, Юань; Томсон, Джеймс; Стюарт, Рон; Кендзиорский, Кристина (1 января 2016 г.). «Статистический подход для выявления дифференциальных распределений в экспериментах по секвенированию РНК на отдельных клетках» . Геномная биология . 17 (1): 222. doi : 10.1186/s13059-016-1077-y . ISSN 1474-760X . ПМК 5080738 . ПМИД 27782827 .

[hag1-24] Jump up to: ^а ^б Ахверди, Лалех; Бюттнер, Марен; Вольф, Ф. Александр; Бюттнер, Флориан; Тайс, Фабиан Дж. (1 октября 2016 г.). «Псевдовремя диффузии надежно реконструирует ветвление линии» (PDF) . Природные методы . 13 (10): 845–848. дои : 10.1038/nmeth.3971 . ISSN 1548-7091 . ПМИД 27571553 . S2CID 3594049 .

[25] Саленс, Воутер; Каннудт, Робрехт; Тодорова, Елена; Саис, Иван (5 марта 2018 г.). «Сравнение методов вывода траектории одной ячейки: к более точным и надежным инструментам» . bioRxiv : 276907. doi : 10.1101/276907 . Проверено 12 марта 2018 г.

[26] Трапнелл, Коул; Качкьярелли, Давиде; Гримсби, Джонна; Похарел, Прапти; Ли, Шуцян; Морс, Майкл; Леннон, Найл Дж.; Ливак, Кеннет Дж.; Миккельсен, Тарьей С.; Ринн, Джон Л. (23 марта 2017 г.). «Псевдовременное упорядочение отдельных клеток раскрывает динамику и регуляторы решений клеточной судьбы» . Природная биотехнология . 32 (4): 381–386. дои : 10.1038/nbt.2859 . ISSN 1087-0156 . ПМЦ 4122333 . ПМИД 24658644 .

[auto-27] Jump up to: ^а ^б Пандей, Кушагра; Зафар, Хамим (2022). «Вывод о переходах состояний клеток и пластичности судеб клеток из одиночных клеток с помощью MARGARET» . Исследования нуклеиновых кислот . 50 (15): е86. дои : 10.1093/nar/gkac412 . ISSN 0305-1048 . ПМЦ 9410915 . ПМИД 35639499 .

[28] Вэй, Дж.; Ху, Х.; Цзоу, X.; Тиан, Т. (1 декабря 2016 г.). «Вывод о генетической регуляторной сети стволовых клеток с использованием данных об экспрессии отдельных клеток». Международная конференция IEEE по биоинформатике и биомедицине (BIBM) , 2016 г. стр. 217–222. дои : 10.1109/BIBM.2016.7822521 . ISBN 978-1-5090-1611-2 . S2CID 27737735 .

[29] Муаньяр, Виктория; Маколей, Иэн К.; Свирс, Джемма; Бюттнер, Флориан; Шютте, Юдит; Калеро-Внук, Фердинанд Дж.; Кинстон, Сара; Джоши, Анага; Ханна, Ребекка; Тайс, Фабиан Дж.; Якобсен, Стоун Эрик; де Брейн, Марелла Ф.; Геттгенс, Бертольд (1 апреля 2013 г.). «Характеристика транскрипционных сетей в стволовых клетках крови и клетках-предшественниках с использованием высокопроизводительного анализа экспрессии генов в отдельных клетках» . Природная клеточная биология . 15 (4): 363–372. дои : 10.1038/ncb2709 . ISSN 1465-7392 . ПМЦ 3796878 . ПМИД 23524953 .

[30] Хикс, Стефани С; Таунс, Уильям Ф; Тэн, Минсян; Ирисарри, Рафаэль А (6 ноября 2017 г.). «Недостающие данные и техническая изменчивость в экспериментах по секвенированию одноклеточной РНК» . Биостатистика . 19 (4): 562–578. doi : 10.1093/biostatistics/kxx053 . ПМК 6215955 . ПМИД 29121214 .

[31] Ахверди, Лалех; Лун, Аарон Т.Л.; Морган, Майкл Д.; Мариони, Джон С. (2 апреля 2018 г.). «Пакетные эффекты в данных секвенирования одноклеточной РНК корректируются путем сопоставления взаимных ближайших соседей» . Природная биотехнология . 36 (5): 421–427. дои : 10.1038/nbt.4091 . ПМК 6152897 . ПМИД 29608177 .

[32] Батлер, Эндрю; Хоффман, Пол; Смайберт, Питер; Папалекси, Эфтимия; Сатиджа, Рахул (2 апреля 2018 г.). «Интеграция транскриптомных данных отдельных клеток в различных условиях, технологиях и видах» . Природная биотехнология . 36 (5): 421–427. дои : 10.1038/nbt.4096 . ПМК 6700744 . ПМИД 29608179 .

[33] Стюарт, Тим; Батлер, Эндрю; Хоффман, Пол; Хафемейстер, Кристоф; Папалексия, Эфтимия; Маук, Уильям М III; Ты, Джон; Марлон, Стоекиус; Смайберт, Питер; Сатиджа, Рахул (6 июня 2019 г.). «Комплексная интеграция одноклеточных данных» . Клетка . 177 (7): 1888–1902. дои : 10.1016/j.cell.2019.05.031 . ПМК 6687398 . ПМИД 31178118 .

[34] Шри, Аджита; Паван, Мусале Крушна; Зафар, Хамим (27 ноября 2023 г.). «scDREAMER для интеграции наборов данных из одной ячейки на уровне атласа с использованием глубокой генеративной модели в сочетании с состязательным классификатором» . Природные коммуникации . 14 (1): 7781. doi : 10.1038/s41467-023-43590-8 . ПМЦ 10682386 . ПМИД 38012145 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]

[ 22 ]

[ 23 ]

[ 24 ]

[ 25 ]

[ 26 ]

[ 27 ]

[ 28 ]

[ 29 ]

[ 30 ]

[ 31 ]

[ 32 ]

[ 33 ]

[ 34 ]