首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Nat. Mach. Intel. | 基于图神经网络在单细胞ATAC-seq数据上推测转录因子调控网络

    本文介绍由北京卫生服务与输血医学研究所、北京放射医学研究所的Xiaochen Bo研究员团队和Hebing Chen研究员团队联合发表在Nature Machine Intelligence的研究成果。作者开发了一个名为DeepTFni的新计算方法,可在scATAC-seq数据上推测转录因子调控网络(TRN)。通过使用图神经网络,DeepTFni在TRN推测中具有出色的性能,且该方法适用于有限细胞数目情况。此外,通过应用DeepTFni,作者识别了组织发育和肿瘤发生中的枢纽TF,并揭示了混合表型急性白血病相关基因对TRN发生显着改变,而在信使RNA水平上仅存在中度差异。DeepTFni网络服务器易于使用,并为几种流行的细胞系提供预测的TRNs。

    03

    Nature Communications | 一种适用于单细胞RNA测序数据的准确可靠的插补方法

    今天给大家介绍美国加利福尼亚大学Jingyi Jessica Li教授等人发表在Nature Communications上的一篇文章 “An accurate and robust imputation method scImpute for single-cell RNA-seq data” 。新兴的单细胞RNA测序 (scRNA-seq) 技术能够在单细胞水平研究转录组学情况。但是ScRNA-seq数据分析由于过多的零计数而变得复杂,也就是所谓的“dropout”事件,这是由于单个细胞内测序的mRNA量过少。 本文提出了scImpute,一种统计方法,可以准确而可靠地估算出scRNA-seq数据中的“dropout”。 scImpute自动识别可能的“dropout”,并且仅对这些值执行插补,而不会对其余数据引入新的偏差。scImpute还可以检测离群细胞并将其排除在插补之外。根据在模拟的和真实的人类和小鼠scRNA-seq数据中进行评估,表明scImpute是一种有效的工具,可识别可能的“dropout”,增强细胞亚群的聚集,提高差异表达分析的准确性,并有助于基因表达动力学的研究。

    03

    Nat. Mach. Intell. | 可解释胶囊网络深度学习框架从单细胞RNA测序数据中识别细胞类型

    今天给大家介绍由中国科学院大学Lifei Wang等人在《nature machine intelligence》上发表了一篇名为“An interpretable deep-learning architecture of capsule networks for identifying cell-type gene expression programs from single-cell RNA sequencing data”的文章。文中提出了一个使用胶囊网络(称为scCapsNet)的可解释的深度学习体系结构。胶囊结构(代表一组特定对象属性的神经元向量)捕捉层次关系。通过利用竞争性单细胞类型识别,scCapsNet模型能够进行特征选择以识别编码不同亚细胞类型的基因组。将RNA表达特征有效地整合到scCapsNet的参数矩阵中,实现了亚细胞类型识别。

    04

    Nature系列 | 整合单细胞转录组学和质谱流式确定类风湿性关节炎滑膜组织中的炎症细胞状态 | 详细解读

    To define the cell populations that drive joint inflammation in rheumatoid arthritis (RA), we applied single-cell RNA sequencing (scRNA-seq), mass cytometry, bulk RNA sequencing (RNA-seq) and flow cytometry to T cells, B cells, monocytes, and fibroblasts from 51 samples of synovial tissue from patients with RA or osteoarthritis (OA). Utilizing an integrated strategy based on canonical correlation analysis of 5,265 scRNA-seq profiles, we identified 18 unique cell populations. Combining mass cytometry and transcriptomics revealed cell states expanded in RA synovia: THY1(CD90)+HLA-DRAhi sublining fibroblasts, IL1B+ pro-inflammatory monocytes, ITGAX+TBX21+ autoimmune-associated B cells and PDCD1+ peripheral helper T (TPH) cells and follicular helper T (TFH) cells. We defined distinct subsets of CD8+ T cells characterized by GZMK+, GZMB+, and GNLY+ phenotypes. We mapped inflammatory mediators to their source cell populations; for example, we attributed IL6 expression to THY1+HLA-DRAhi fibroblasts and IL1B production to pro-inflammatory monocytes. These populations are potentially key mediators of RA pathogenesis.

    05

    单细胞多组学揭示了进展性COVID-19中先天性和适应性免疫系统的非同步性

    SARS-CoV-2病毒的免疫反应失调是COVID-19重症的原因。然而,与免疫病理相关的免疫信号知之甚少。在这里,该项研究使用多组学单细胞分析来探讨COVID-19稳定或进展期住院患者的动态免疫反应和探索V(D)J库,并评估托珠单抗的细胞效应。基因表达和细胞系蛋白标记的协调分析显示,S100Ahi/HLA-DRlo经典的单核细胞和激活的LAG-3T细胞是进展性疾病的标志,并分别强调了骨系细胞和T细胞上MHC-II/LAG-3的异常相互作用。该项研究还发现,在扩大的效应细胞CD8+ 克隆、未突变的IGHG+ B细胞克隆和具有稳定体细胞超突变频率的突变B细胞克隆中,T细胞受体储备出现倾斜。总之,该项研究深入的免疫分析揭示了在进展期COVID-19中先天和适应性免疫相互作用的非同步性。

    05
    领券