Intégration multi-omique itérative à cellule unique à l’aide de l’apprentissage en ligne

  • 1.

    Ye, Z. & Sarkar, CA Vers une compréhension quantitative de l’identité cellulaire. Trends Cell Biol. 28, 1030-1048 (2018).

    Article CAS Google Scholar

  • 2.

    Stuart, T. et coll. Intégration complète des données à cellule unique. Cellule 177, 1888-1902 (2019).

    Article CAS Google Scholar

  • 3.

    Stuart, T. & Satija, R. Analyse intégrative monocellulaire. Nat. Rev. Genet. 20, 257-272 (2019).

    Article CAS Google Scholar

  • 4.

    Korsunsky, I. et coll. Intégration rapide, sensible et précise des données monocellulaires avec Harmony. Nat. Méthodes 16, 1289-1296 (2019).

    Article CAS Google Scholar

  • 5.

    Welch, JD et coll. L’intégration multi-omique unicellulaire compare et contraste les caractéristiques de l’identité des cellules cérébrales. Cellule 177, 1873–1887 (2019).

    Article CAS Google Scholar

  • 6.

    Mairal, J., Bach, F., Ponce, J. & Sapiro, G. Apprentissage en ligne pour la factorisation matricielle et le codage clairsemé. J. Mach. Apprendre. Res. 11, 19–60 (2010).

    Google Scholar

  • 7.

    Saunders, A. et coll. Diversité moléculaire et spécialisations parmi les cellules du cerveau de souris adulte. Cellule 174, 1015-1030 (2018).

    Article CAS Google Scholar

  • 8.

    Tran, HTN et coll. Une référence des méthodes de correction des effets par lots pour les données de séquençage d’ARN unicellulaire. Genome Biol. 21, 12 (2020).

    Article CAS Google Scholar

  • 9.

    Kang, HM et coll. Séquençage d’ARN monocellulaire en gouttelettes multiplexées à l’aide de la variation génétique naturelle. Nat. Biotechnol. 36, 89–94 (2018).

    Article CAS Google Scholar

  • dix.

    Grün, D. et coll. Prédiction de novo de l’identité des cellules souches à l’aide de données de transcriptome unicellulaire. Cellule souche cellulaire 19, 266-277 (2016).

    Lire aussi  Despot's Game : Examen du constructeur d'armée dystopique

    Article Google Scholar

  • 11.

    Muraro, MJ et coll. Un atlas de transcriptome unicellulaire du pancréas humain. Cell Syst. 3, 385–394 (2016).

    Article CAS Google Scholar

  • 12.

    Lawlor, N. et coll. Les transcriptomes unicellulaires identifient les signatures des cellules des îlots humains et révèlent des changements d’expression spécifiques au type de cellule dans le diabète de type 2. Genome Res. 27, 208-222 (2017).

    Article CAS Google Scholar

  • 13.

    Baron, M. et coll. Une carte transcriptomique unicellulaire du pancréas humain et de souris révèle la structure de la population inter- et intra-cellulaire. Cell Syst. 3, 346–360 (2016).

    Article CAS Google Scholar

  • 14.

    Segerstolpe, Å. et coll. Profilage du transcriptome unicellulaire des îlots pancréatiques humains en santé et diabète de type 2. Cell Metab. 24, 593–607 (2016).

    Article CAS Google Scholar

  • 15.

    Toda, T., Parylak, SL, Linker, SB & Gage, FH Le rôle de la neurogenèse de l’hippocampe adulte dans la santé et les maladies du cerveau. Mol. Psychiatrie 24, 67–87 (2019).

    Article CAS Google Scholar

  • 16.

    Ernst, A. et coll. Neurogenèse dans le striatum du cerveau humain adulte. Cellule 156, 1072-1083 (2014).

    Article CAS Google Scholar

  • 17.

    Zeisel, A. et coll. Architecture moléculaire du système nerveux de la souris. Cellule 174, 999-1014 (2018).

    Article CAS Google Scholar

  • 18.

    Cao, J. et coll. Le paysage transcriptionnel unicellulaire de l’organogenèse des mammifères. Nature 566, 496–502 (2019).

    CAS PubMed PubMed Central Google Scholar

  • 19.

    Rodriques, SG et coll. Slide-seq: une technologie évolutive pour mesurer l’expression à l’échelle du génome à haute résolution spatiale. La science 363, 1463–1467 (2019).

    Lire aussi  Analyse de pointe des nœuds de calcul EDGE et de la 5G

    Article CAS Google Scholar

  • 20.

    Stickels, RR et coll. Transcriptomique spatiale très sensible à une résolution quasi cellulaire avec Slide-seqV2. Nat. Biotechnol. 39, 313–319 (2021).

    Article CAS Google Scholar

  • 21.

    Chen, KH, Boettiger, AN, Moffitt, JR, Wang, S. & Zhuang, X. Imagerie ARN. Profilage d’ARN spatialement résolu et hautement multiplexé dans des cellules individuelles. La science 348, aaa6090 (2015).

    Article Google Scholar

  • 22.

    Yao, Z. et coll. Une taxonomie des types de cellules transcriptomiques à travers la formation isocortex et hippocampique. Préimpression à bioRxiv https://doi.org/10.1101/2020.03.30.015214 (2020).

  • 23.

    Moffitt, JR et coll. Profilage cellulaire moléculaire, spatial et fonctionnel de la région préoptique hypothalamique. La science 362, eaau5324 (2018).

    Article Google Scholar

  • 24.

    Ecker, JR et coll. The BRAIN Initiative Cell Census Consortium: leçons apprises pour générer un atlas complet des cellules cérébrales. Neurone 96, 542–557 (2017).

    Article CAS Google Scholar

  • 25.

    Consortium HuBMAP. Le corps humain à résolution cellulaire: le programme NIH Human Biomolecular Atlas. Nature 574, 187–192 (2019).

    Article CAS Google Scholar

  • 26.

    Regev, A. et coll. L’Atlas des cellules humaines. eLife 6, e27041 (2017).

    Article Google Scholar

  • 27.

    Yao, Z. et coll. Un atlas transcriptomique et épigénomique intégré des types de cellules de cortex moteur primaire de souris. Préimpression à bioRxiv https://doi.org/10.1101/2020.02.29.970558 (2020).

  • 28.

    Tasic, B. et coll. Taxonomie des cellules corticales de souris adultes révélée par la transcriptomique d’une seule cellule. Nat. Neurosci. 19, 335–346 (2016).

    Article CAS Google Scholar

  • 29.

    Butler, A., Hoffman, P., Smibert, P., Papalexi, E. & Satija, R. Intégration de données transcriptomiques unicellulaires dans différentes conditions, technologies et espèces. Nat. Biotechnol. 36, 411–420 (2018).

    Lire aussi  L'IA fournit des données en temps réel pour une agriculture plus intelligente

    Article CAS Google Scholar

  • 30.

    Büttner, M., Miao, Z., Wolf, FA, Teichmann, SA & Theis, FJ Une métrique de test pour évaluer la correction de lot ARN-seq unicellulaire. Nat. Méthodes 16, 43–49 (2019).

    Article Google Scholar

  • 31.

    Hubert, L. & Arabie, P. Comparing partitions. J. Classification 2, 193-218 (1985).

    Article Google Scholar

  • 32.

    Rand, WM Critères objectifs pour l’évaluation des méthodes de clustering. Confiture. Stat. Assoc. 66, 846–850 (1971).

    Article Google Scholar

  • 33.

    Zappia, L., Phipson, B. & Oshlack, A. Splatter: simulation de données de séquençage d’ARN unicellulaire. Genome Biol. 18, 174 (2017).

    Article Google Scholar

  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    This site uses Akismet to reduce spam. Learn how your comment data is processed.

    Recent News

    Editor's Pick