Транскриптомика одиночных клеток - Single-cell transcriptomics

Транскриптомика одиночных клеток изучает ген уровень экспрессии индивидуума клетки в данной популяции путем одновременного измерения информационная РНК (мРНК) от сотен до тысяч генов.[1]Распутывание гетерогенный популяции клеток, реконструкция траекторий клеточного развития и моделирование динамики транскрипции - все это ранее было замаскировано транскриптом измерения - стали возможными благодаря анализу этих транскриптомных данных.[2]

Фон

Анализ экспрессии генов стал обычным делом благодаря развитию высокопроизводительных Секвенирование РНК (RNA-seq) и микрочипы. Анализ РНК, который ранее ограничивался отслеживанием отдельных стенограммы к Северные пятна или же количественная ПЦР в настоящее время часто используется для характеристики профилей экспрессии популяций тысяч клеток. Данные, полученные из массовых анализы привело к идентификации генов, которые по-разному экспрессируются в разных популяциях клеток и биомаркер открытие.[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 исследовании клеточной прогрессии через дифференциация профили средней экспрессии могут упорядочивать клетки только по времени, а не по стадиям 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. Пока эти прорывы в технологии транскриптомики позволили генерировать транскриптомные данные для отдельных клеток. Полученные данные создают новые вычислительные и аналитические проблемы. Методы, используемые для анализа данных РНК-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

В настоящее время не существует стандартизированной техники для генерации данных по одной ячейке, все методы должны включать изоляцию клеток от популяции, лизат формирование, усиление за счет обратная транскрипция и количественная оценка уровней экспрессии. Обычными методами измерения экспрессии являются количественная ПЦР или последовательность РНК.[7]

Изоляция одиночных клеток

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:

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

Количественная ПЦР (qPCR)

Для измерения уровня экспрессии каждого транскрипта может применяться qPCR. Специфический для гена грунтовки используются для амплификации соответствующего гена, как при обычном ПЦР и в результате данные обычно получают только для размеров выборки менее 100 генов. Включение гены домашнего хозяйства, выражение которого должно быть постоянным в 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 как репортерные молекулы для обнаружения продукта ПЦР и отслеживания прогресса амплификации - увеличение интенсивности флуоресценции пропорционально ампликон концентрация. Строится график зависимости флуоресценции от номера цикла, и пороговый уровень флуоресценции используется для определения номера цикла, при котором график достигает этого значения. Номер цикла в этот момент известен как пороговый цикл (Cт) и измеряется для каждого гена.[10]

Одноклеточная последовательность РНК

RNA Seq Experiment

В Одноклеточный РНК-последовательность метод преобразует популяцию РНК в библиотеку кДНК фрагменты. Эти фрагменты секвенированы с помощью высокопроизводительной секвенирование следующего поколения и считывания сопоставляются с эталонным геномом, обеспечивая подсчет количества считываний, связанных с каждым геном.[11]

Нормализация данных РНК-seq учитывает межклеточные различия в эффективности формирования библиотеки кДНК и секвенирования. Один метод основан на использовании внешний Спайки РНК (последовательности РНК известной последовательности и количества), которые добавляются в равных количествах к каждой ячейке лизат и используется для нормализации счетчика чтений по количеству чтений, сопоставленных с всплеском мРНК.[12]

Другой элемент управления использует уникальные молекулярные идентификаторы (UMIs) - 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 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

Проблема, связанная с данными по одной клетке, возникает в виде нулевого завышенного распределения экспрессии генов, известного как технические выпадения, которые являются обычными 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 предполагается, что эффективность амплификации и секвенирования для эндогенный и остаточная РНК одинаковы. Данные свидетельствуют о том, что это не так, учитывая фундаментальные различия в размерах и характеристиках, например, отсутствие полиаденилированный хвост в шипах и, следовательно, короче.[15] Кроме того, нормализация с использованием UMI предполагает, что библиотека кДНК секвенирована до насыщения, что не всегда так.[16]

Анализ данных

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

Были предоставлены три основных идеи:[17]

  1. Идентификация и характеристика типов клеток и их пространственной организации во времени
  2. Заключение сети регуляции генов и их сила в отдельных ячейках
  3. Классификация стохастический компонент транскрипции

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

Кластеризация

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

Кластеризация позволяет формировать подгруппы в клеточной популяции. Клетки можно сгруппировать по их транскриптомному профилю, чтобы проанализировать 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, был использован для одновременного кластеризации генов и клеток, чтобы найти гены, которые ведут себя одинаково в кластерах клеток.[18]

Применяемые методы кластеризации могут быть К-средство кластеризации, образуя непересекающиеся группы или Иерархическая кластеризация, формируя вложенные разделы.

Бикластеризация

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 отличают один кластер клеток от другого.[19]

Снижение размерности

Пример PCA частот гаплогруппы Y-хромосомы населения Гвинеи и других африканцев

Снижение размерности такие алгоритмы как Анализ главных компонентов (PCA) и t-SNE может использоваться для упрощения данных для визуализации и обнаружения закономерностей путем преобразования ячеек с высокого на более низкий пространственное пространство. Результатом этого метода являются графики с каждой ячейкой в ​​виде точки в 2-D или 3-D пространстве. Уменьшение размерности часто используется перед кластеризацией, поскольку ячейки в больших измерениях могут ошибочно казаться близкими из-за неинтуитивного поведения метрик расстояния.[20]

Анализ главных компонентов

Наиболее часто используемый метод - PCA, который определяет направления наибольших отклонение основные компоненты и преобразует данные так, чтобы первый главный компонент имел наибольшую возможную дисперсию, а последующие основные компоненты, в свою очередь, имели наивысшую возможную дисперсию, оставаясь ортогональными предыдущим компонентам. Вклад каждого гена в каждый компонент используется для определения того, какие гены вносят наибольший вклад в дисперсию популяции и участвуют в дифференциации различных субпопуляций.[21]

Дифференциальное выражение

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 Бимодальный против. одномодальный.[22]

Обогащение онтологии генов

Генная онтология термины 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 GO-термины 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.[23]

Псевдовременное упорядочение

Основная статья: Вывод траектории
Граф с минимальным остовным деревом

Псевдо-временное 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. Метод основан на предположении, что клетки проходят один и тот же путь через интересующий процесс и что их транскрипционное состояние коррелирует с к их прогрессу. Алгоритм может применяться как к смешанным популяциям, так и к временным выборкам.

Было разработано более 50 методов псевдовременного упорядочения, и каждый имеет свои собственные требования к априорной информации (такой как начальные ячейки или данные временного курса), обнаруживаемой топологии и методологии. [24]. Примером алгоритма является алгоритм Монокль.[25] который выполняет уменьшение размерности данных, строит минимальное остовное дерево используя преобразованные данные, упорядочивает ячейки в псевдовремени, следуя самому длинному связному пути дерева, и, следовательно, маркирует ячейки по типу. Другой пример - DPT,[требуется разъяснение ][23] который использует карту распространения и процесс распространения.

Сетевой вывод

Вывод сети регуляции генов - это метод, направленный на построение сети, представленной в виде графика, в которой узлы представляют гены, а края указывают на совместные регуляторные взаимодействия. Этот метод основан на предположении, что сильная статистическая взаимосвязь между экспрессией генов является показателем потенциальной функциональной взаимосвязи.[26] Наиболее часто используемый метод измерения силы статистической связи: корреляция. Однако корреляция не может определить нелинейный отношения и взаимная информация используется как альтернатива. Кластеры генов, связанные в сеть, обозначают гены, которые претерпевают согласованные изменения в экспрессии.[27]

Интеграция

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 сильному пакетные эффекты что может привести к смещению результатов статистических методов, применяемых в разных партиях, особенно при наличии сбивать с толку.[28]В результате вышеупомянутых свойств транскриптомных данных отдельной клетки, методы пакетной коррекции, разработанные для данных массового секвенирования, показали, что они работают плохо. Это привело к разработке статистических методов коррекции пакетных эффектов, устойчивых к свойствам транскриптомных данных отдельных клеток, с целью интеграции данных из разных источников или экспериментальных партий. Основополагающую работу в этом направлении выполнила Лале Хагверди при формулировании использования взаимных ближайших соседей между каждым пакетом для определения векторов пакетной коррекции.[29] 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 использованием канонический корреляционный анализ.[30] 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.[31]

Смотрите также

Рекомендации

  1. ^ Кантер, Итамар; Калиский, Томер (1 января 2015 г.). «Транскриптомика одиночных клеток: методы и приложения». Границы онкологии. 5: 53. Дои:10.3389 / fonc.2015.00053. ISSN  2234-943X. ЧВК  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 Ред. – 182. Дои:10.12688 / f1000research.7223.1. ISSN  2046-1402. ЧВК  4758375. PMID  26949524.
  3. ^ Сабо, Дэвид Т. (10.03.2014). «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. Дои:10.3389 / fonc.2015.00053. ISSN  2234-943X. ЧВК  4354386. PMID  25806353.
  5. ^ Трапнелл, Коул (1 октября 2015 г.). «Определение типов и состояний клеток с помощью одноклеточной геномики». Геномные исследования. 25 (10): 1491–1498. Дои:10.1101 / гр.190595.115. ISSN  1088-9051. ЧВК  4579334. PMID  26430159.
  6. ^ Стегл, Оливер; Тайхманн, Сара А .; Мариони, Джон К. (1 марта 2015 г.). «Вычислительные и аналитические проблемы в одноклеточной транскриптомике». Природа Обзоры Генетика. 16 (3): 133–145. Дои:10.1038 / nrg3833. ISSN  1471-0056. PMID  25628217. S2CID  205486032.
  7. ^ Колодзейчик, Александра А .; Ким, Чон Кён; Свенссон, Валентин; Мариони, Джон С .; Тайхманн, Сара А. (май 2015 г.). «Технология и биология секвенирования одноклеточной РНК». Молекулярная клетка. 58 (4): 610–620. Дои: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 Неврология. 19 (9): 1131–1141. Дои:10.1038 / № 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 выбору эталонных генов для количественной ПЦР в реальном времени». Сообщения о биохимических и биофизических исследованиях. 313 (4): 856–862. Дои:10.1016 / j.bbrc.2003.11.177. ISSN  0006-291X. PMID  14706621.
  10. ^ Wildsmith, S.E .; Арчер, Г. Э .; Winkley, A.J .; Lane, P.W .; Бугельский, П. Я. (1 января 2001 г.). «Максимизация сигнала, полученного от микрочипов кДНК». Биотехнологии. 30 (1): 202–206, 208. Дои: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. Дои:10.1038 / nrg2484. ISSN  1471-0056. ЧВК  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 вспомогательные стандарты для экспериментов с последовательностью РНК». Геномные исследования. 21 (9): 1543–1551. Дои:10.1101 / гр.121095.111. ISSN  1088-9051. ЧВК  3166838. PMID  21816910.
  13. ^ 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». Природные методы. 11 (2): 163–166. Дои: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 отдельных клеток». Природные методы. 11 (7): 740–742. Дои:10.1038 / nmeth.2967. ISSN  1548-7091. ЧВК  4112276. PMID  24836921.
  15. ^ Свенссон, Валентин; Натараджан, Кедар Натх; Ли, Лам-Ха; Miragaia, Ricardo J .; Лабалетт, Шарлотта; Macaulay, Iain C .; Цвеич, Ана; Тайхманн, Сара А. (6 марта 2017 г.). «Анализ мощности экспериментов по секвенированию одноклеточной РНК». Методы природы. предварительная онлайн-публикация (4): 381–387. Дои:10.1038 / nmeth.4220. ISSN  1548-7105. ЧВК  5376499. PMID  28263961.
  16. ^ 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. Дои:10.1038 / nmeth.2772. ISSN  1548-7091. PMID  24363023. S2CID  6765530.
  17. ^ Стегл, Оливер; Тайхманн, Сара А .; Мариони, Джон К. (1 марта 2015 г.). «Вычислительные и аналитические проблемы в одноклеточной транскриптомике». Природа Обзоры Генетика. 16 (3): 133–145. Дои:10.1038 / nrg3833. ISSN  1471-0056. PMID  25628217. S2CID  205486032.
  18. ^ Бюттнер, Флориан; Натараджан, Кедар Н .; Казале, Ф. Паоло; Просерпио, Валентина; Скиалдоне, Антонио; Theis, Fabian J .; Тайхманн, 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. Дои:10.1038 / nbt.3102. ISSN  1087-0156. PMID  25599176.
  19. ^ Нтранос, Василис; Каматх, Говинда М .; Чжан, Джесси М .; Пахтер, Лиор; Це, Дэвид Н. (26 мая 2016 г.). «Быстрый и точный анализ последовательной РНК одной клетки путем кластеризации подсчетов совместимости транскриптов». Геномная биология. 17 (1): 112. Дои:10.1186 / s13059-016-0970-8. ISSN  1474-7596. ЧВК  4881296. PMID  27230763.
  20. ^ Пирсон, Эмма; Яу, Кристофер (1 января 2015 г.). «ZIFA: уменьшение размерности для анализа экспрессии одноклеточных генов без завышения». Геномная биология. 16: 241. Дои:10.1186 / s13059-015-0805-z. ISSN  1474-760X. ЧВК  4630968. PMID  26527291.
  21. ^ 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:2014Натура.509..371Т. Дои:10.1038 / природа13173. ЧВК  4145853. PMID  24739965.
  22. ^ 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. Дои:10.1186 / s13059-016-1077-у. ISSN  1474-760X. ЧВК  5080738. PMID  27782827.
  23. ^ а б Хагверди, Лале; Бюттнер, Марен; Вольф, Ф. Александр; Бюттнер, Флориан; Тайс, Фабиан Дж. (1 октября 2016 г.). «Диффузионное псевдотовремя надежно реконструирует ветвление клонов» (PDF). Природные методы. 13 (10): 845–848. Дои:10.1038 / nmeth.3971. ISSN  1548-7091. PMID  27571553. S2CID  3594049.
  24. ^ Saelens, Wouter; Каннудт, Робрехт; Тодоров, Елена; Саейс, Иван (2018-03-05). «Сравнение методов вывода траектории одной ячейки: к более точным и надежным инструментам». bioRxiv: 276907. Дои:10.1101/276907. Получено 2018-03-12.
  25. ^ 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.). «Псевдовременное упорядочение отдельных клеток выявляет динамику и регуляторы решений клеточной судьбы». Природа Биотехнологии. 32 (4): 381–386. Дои:10.1038 / nbt.2859. ISSN  1087-0156. ЧВК  4122333. PMID  24658644.
  26. ^ 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 IEEE по биоинформатике и биомедицине (BIBM), 2016 г.: 217–222. Дои:10.1109 / BIBM.2016.7822521. ISBN  978-1-5090-1611-2. S2CID  27737735.
  27. ^ 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 генов отдельных клеток». Природа клеточной биологии. 15 (4): 363–372. Дои:10.1038 / ncb2709. ISSN  1465-7392. ЧВК  3796878. PMID  23524953.
  28. ^ 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. Дои:10.1093 / биостатистика / kxx053. ЧВК  6215955. PMID  29121214.
  29. ^ Хагверди, Лале; 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. Дои:10.1038 / nbt.4091. ЧВК  6152897. PMID  29608177.
  30. ^ Батлер, Эндрю; Хоффман, Пол; Смиберт, Питер; Папалекси, Эфтимия; Сатия, Рахул (2 апреля 2018 г.). «Интеграция транскриптомных данных отдельных клеток для различных условий, технологий и видов». Природа Биотехнологии. 36 (5): 421–427. Дои:10.1038 / nbt.4096. ЧВК  6700744. PMID  29608179.
  31. ^ 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». Клетка. 177 (7): 1888–1902. Дои:10.1016 / j.cell.2019.05.031. ЧВК  6687398. PMID  31178118.

внешняя ссылка