文献阅读
文章平均质量分 94
生信小鹏
Stay Hungry. Stay Foolish
学点python、R语言,搞点数据挖掘
专注肿瘤研究和学习
展开
-
使用 Palantir 表征单细胞数据中的细胞状态概率
Palantir算法主要用于模拟细胞分化的轨迹,将细胞命运视为概率过程,并利用熵来衡量轨迹中的细胞可塑性。它生成细胞的高分辨率伪时间排序,并为每个细胞状态分配分化为每个终态的概率。要使用Palantir算法,需要提供一组分化细胞的单细胞RNA测序(scRNA-seq)数据和用户定义的“早期”细胞的表达谱。Palantir使用扩散图和最近邻图来表示表型流形,专注于发展趋势。这种方法旨在有效捕捉分化轨迹。算法构建了一个马尔可夫链来模拟分化作为一个随机过程,推断出终态,并计算每个细胞到达这些终态的分支概率。原创 2024-01-04 20:09:03 · 1624 阅读 · 0 评论 -
SCENIC+:增强子和基因调控网络的单细胞多组学推理
提出了一种用于推理增强器驱动的 GRN 的方法,称为SCENIC+。SCENIC+预测基因组增强子以及候选上游转录因子 (TF),并将这些增强子与候选目标基因联系起来。原创 2023-12-28 22:42:55 · 1894 阅读 · 0 评论 -
GRNdb:解码不同人类和小鼠条件下的基因调控网络
由转录因子(TF)及其下游靶基因形成的基因调控网络(GRN)在基因表达调控中发挥着重要作用。此外,GRN 可以在不同条件下动态变化,这对于理解疾病发病机制的潜在机制至关重要。然而,现有的数据库还没有提供单细胞水平上各种人类和小鼠正常组织和疾病的全面GRN信息。基于已知的TF-靶点关系和从公共数据库收集的大规模单细胞RNAseq数据以及癌症基因组图谱和基因型组织表达项目的大量数据,我们系统地预测了184种不同生理学的GRN。原创 2023-12-26 18:29:45 · 879 阅读 · 0 评论 -
用于单细胞基因调控网络分析(GRN)的SCENIC 工作流程
这个protocol解释了如何使用软件容器和Nextflow 管道对单细胞 RNA 测序数据执行快速 SCENIC 分析以及标准最佳实践步骤。SCENIC 重建调节子(即转录因子及其目标基因),评估单个细胞中这些发现的调节子的活性,并使用这些细胞活动模式来寻找有意义的细胞簇。在这里,我们展示了 SCENIC 的改进版本,具有多项进步。SCENIC 已经用进行了重构和重新实现,速度提高了十倍,并且已打包到容器中以方便使用。现在还可以使用表观基因组轨迹数据库以及基序来完善调节子。原创 2023-12-23 18:41:19 · 1429 阅读 · 0 评论 -
scenic:单细胞调控网络推理和聚类
我们提出了scenery,一种用于从单细胞 rna-seq 数据中同时进行基因调控网络重建和细胞状态识别的计算方法 (http://scenic.aertslab.org)。根据肿瘤和大脑的单细胞数据概要,我们证明顺式调控分析可用于指导转录因子和细胞状态的识别。scenic为驱动细胞异质性的机制提供了重要的生物学见解。细胞的转录状态产生于潜在的基因调控网络(GRN),其中有限数量的转录因子(TF)和辅因子相互调节及其下游靶基因。原创 2023-12-22 10:30:43 · 1427 阅读 · 0 评论 -
基因调控网络重建:利用单细胞多组学数据
推断基因调控网络(GRN)是生物学中的一项基本挑战,旨在揭示基因与其调控因子之间的复杂关系。破译这些网络对于理解驱动许多细胞过程和疾病的潜在调控串扰起着至关重要的作用。测序技术的最新进展促进了最先进的 GRN 推理方法的发展,这些方法利用匹配的单细胞多组学数据。通过采用不同的数学和统计方法,这些方法旨在重建更全面、更精确的基因调控网络。在这篇综述中,我们简要概述了GRN 推理方法中常用的统计和方法基础。然后,我们比较和对比单细胞匹配多组学数据的最新最先进的 GRN 推理方法,并讨论它们的假设、局限性和机会。原创 2023-12-21 10:20:43 · 1278 阅读 · 1 评论 -
单细胞多组学时代的基因调控网络推理
作为 TF 结合基序数据库由于 TF 的覆盖范围不同,并且预测算法以不同的方式对绑定进行建模,因此即使使用相似的建模策略,GRN 推理方法之间的结果也可能会有所不同。频率主义方法将事件的概率定义为该事件在大量相同实验中发生的次数的比例,而贝叶斯概率将其定义为基于观察到的数据和先前的数据对所述事件发生的置信度的度量信息。GRN 中的相互作用可以是有向的或无向的(分别表示基因之间的因果关系或缺乏因果关系)、有符号的(表示正向或负向的调节模式)和/或加权的(表示相互作用的强度)。原创 2023-12-20 11:53:47 · 1198 阅读 · 1 评论