scDesign3 generiert realistische In-silico-Daten für multimodale Einzelzellen- und räumliche Omics – CRESTOR

google academy

Cao, J. et al. Die Einzelzell-Transkriptionslandschaft der Organogenese von Säugetieren. nature 566496–502 (2019).

google academy

Buenrostro, JD et al. Die Zugänglichkeit von Einzelzellchromatin offenbart Prinzipien der regulatorischen Variation. nature 523486–490 (2015).

google academy

Cusanovich, D.A. et al. Einzelzell-Multiplex profile der Chromatinzugänglichkeit durch kombinatorische Zellindizierung. Wissenschaft 348910–914 (2015).

google academy

Karemaker, ID & Vermeulen, M. Einzelzell-DNA-Methylierungsprofilierung: biologische Technologien und Anwendungen. Tendencies in der Biotechnologie. 36952–965 (2018).

google academy

Bendall, SC et al. Einzelzell-Massenzytometrie unterschiedlicher Immun- und pharmakologischer Reaktionen entlang eines menschlichen hämatopoetischen Kontinuums. Wissenschaft 332687–696 (2011).

google academy

Chen, S., Lake, BB und Zhang, K. Hochdurchsatzsequenzierung des Transkriptoms und der Chromatinzugänglichkeit in derselben Zelle. Nat. Biotechnology. 371452-1457 (2019).

google academy

Stoeckius, M. et al. Gleichzeitige Messung von Epitopen und Transkriptomen in einzelnen Zellen. Nat. method 14865–868 (2017).

google academy

Rao, N., Clark, S. und Habern, O. Brücke zwischen Genomik und Gewebepathologie: 10x Genomics erkundet mit der räumlichen Genexpressionslösung von Visium neue Grenzen. Genet. Eng. Biotechnology. Nachricht 4050–51 (2020).

google academy

Rodriques, SG et al. Slide-seq: eine skalierbare Technologie zur Messung der gesamten Genomexpression mit hoher räumlicher Auflösung. Wissenschaft 3631463–1467 (2019).

google academy

Stickels, RR et al. Hochempfindliche räumliche Transcription mit nahezu zellulärer Auflösung mit Slide-seqV2. Nat. Biotechnology. 39313–319 (2021).

google academy

Moffitt, JR et al. Molekulare, räumliche und funktionelle Einzelzellprofile der präoptischen Region des Hypothalamus. Wissenschaft 362eaau5324 (2018).

google academy

Efremova, M. & Teichmann, SA Berechnungsmethoden für Einzelzell-Omics über Modalitäten hinweg. Nat. method 1714-17 (2020).

google academy

Dibaeinia, P. & Sinha, S. Sergio: ein Simulator der Einzelzellexpression, gesteuert durch Genregulationsnetzwerke. Zellsystem elf252–271 (2020).

google academy

Papadopoulos, N., Gonzalo, PR, and Söding, J. Prosstt: Probabilistische Simulation von Einzelzell-RNA-seq-Daten für komplexe Differenzierungsprozesse. bioinformatics 353517–3519 (2019).

google academy

Tian, ​​J., Wang, J. & Roeder, K. Esco: Einzelzell-Expressions simulation unter Einbeziehung der Gen-Koexpression. bioinformatics 372374–2381 (2021).

google academy

Li, WV und Li, JJ Ein scDesign-Statistiksimulator for experimental reasoning Design von scRNA-seq. bioinformatics 35i41–i50 (2019).

google academy

Korsunsky, I. et al. Schnelle, reaktionsschnelle und genaue Integration einzelner Zelldaten mit Harmony. Nat. method sechzehn1289-1296 (2019).

google academy

Kabel, DM et al. Robust Zerlegung von Mischungen von Zelltypen in der räumlichen Transkriptomik. Nat. Biotechnology. 40517–526 (2022).

google academy

Elosua-Bayes, M., Nieto, P., Mereu, E., Gut, I. & Heyn, H. SPOTlight: gesäte NMF-Regression zur Entfaltung räumlicher Transkriptompunkte mit Einzelzell-Transkriptomen. Nukleinsäuren Res. 49e50 (2021).

google academy

Cao, K., Hong, Y. & Wan, L. Mehrfachausrichtung für die heterogene Integration von Einzelzell-Multiomics-Daten mit Pamona. bioinformatics 38211–219 (2022).

google academy

Ji, Z. & Ji, H. TSCAN: Rekonstruktion und Bewertung der Pseudozeit in der Einzelzell-RNA-Seq-Analyse. Nukleinsäuren Res. 44e117 (2016).

google academy

Zhang, Y., Parmigiani, G. & Johnson, WE ComBat-seq: Batch-Effekt-Anpassung für RNA-seq-Zähldaten. NAR-Genom. Bioinform. 2lqaa078 (2020).

google academy

Stuart, T., Srivastava, A., Madad, S., Lareau, CA, and Satija, R. Chromatinzustandsanalyse einer einzelnen Zelle mit Signac. Nat. method 181333-1341 (2021).

google academy

Hao, Y. et al. Integrated Analyze multimodal Einzelzelldaten. zelle 1843573–3587 (2021).

google academy

Zhu, J., Sun, S. and Zhou, X. SPARK-X: Nichtparametrische Modellierung ermöglicht die skalierbare und robuste Erkennung räumlicher Ausdrucksmuster für große räumliche Transkriptomstudien. Biol-Genom. 22184 (2021).

google academy

Li, B. et al. Vergleichende Bewertung von Integrationsmethoden für einzelne Zellen und räumliche Transkriptomik zur Vorhersage der Transkriptverteilung und Zelltyp-Entfaltung. Nat. method 19662–670 (2022).

google academy

Lütge, A. et al. CellMixS: Quantifizierung and Visualisierung von Batch-Effekten auf RNA-seq-Daten einer einzelnen Zelle. Life Sciences Alliance 4e202001004 (2021).

google academy

Newman, AM et al. Robust Aufzählung von Zellteilmengen aus Gewebeexpressionsprofilen. Nat. method 12453–457 (2015).

google academy

Zeng, D. et al. IOBR: Multiomics-immunonkologische biologische Forschung zur Entschlüsselung von Mikroumgebungen und Tumorsignaturen. stir. immunol. 12687975 (2021).

google academy

Biancalani, T. et al. Deep Learning und Ausrichtung räumlich aufgelöster Einzelzelltranskriptome mit Tangram. Nat. method 181352-1362 (2021).

google academy

Moriel, N. et al. Novosparc: flexible räumliche Rekonstruktion der Genexpression einzelner Zellen mit optimem Transport. nat protocol sechzehn4177–4200 (2021).

google academy