多种单细胞数据结合在一起的新工具，确定细胞类型
单细胞研究揭示了可能在其他分析中被忽略的细胞细节。生物学家当前使用一系列方法来收集不同组织和物种的单细胞数据。一些科学家可能使用基于组织的原位方法来研究小鼠神经元中的DNA甲基化，而另一些科学家可能使用液滴方法来探究人神经元中的RNA表达。 这些研究创建了许多独特的不易结合在一起的数据集。但是，将这些数据结合在一起来比较多个个体、组织和物种的相似细胞的所有方面对于真正理解细胞类型的不同作用是必要的。 在一项新的研究中，美国斯坦利精神病学研究中心准会员Evan Macosko、访问学者Joshua Welch及其团队开发出一种将这些数据集结合在一起的新工具。这种称为基因组实验关系关联推理（Linked Inference of Genomic Experimental Relationships, LIGER）的工具将不同的单细胞数据集整合在一起；将来自不同受试者、物种或分子衡量指标的类似细胞进行分组；针对不同组彼此之间的......阅读全文
干细胞先驱发表单细胞RNA测序新成果
人多能干细胞是研究人类胚胎发育的理想模型，可以揭示谱系分化背后的细胞和分子机制。不过，人们还不清楚单个干细胞如何退出多能状态并转化为相应的前体细胞。 Morgridge研究院的科学家们使用单细胞RNA测序（scRNA-seq）技术，对来自人胚胎干细胞的谱系特异性前体细胞进行了转录组分析，揭示了
单细胞生信分析，新的高分热点
关于单细胞测序（Single cell sequencing，ScRNA-seq），相信大家或多或少都听过，粗略的说，这几点是出现频率比较高的关键词：“很火”、“高端，是发大文章的利器”、“价格贵”。不过，大家如果留意最近单细胞测序相关的文章进展，就会发现这样的一个问题：现在只做单细胞测序，
单细胞基因组突变检测新突破
爱因斯坦研究人员已经开发并验证了一种准确识别单细胞基因组中突变的方法。这种新方法可以帮助预测癌症是否将在看似健康的组织中发展，在今天的自然方法的在线版本中发表的论文中被描述。相应的作者是Lola和Saul Kramer分子遗传学主席Jan Vijg博士。 在科学家可以分析单个细胞的基因组之前，
利用单细胞空间转录组揭示猕猴大脑皮层的细胞类型
阐明大脑皮层的细胞类型组成对于理解大脑结构和功能至关重要。中国科学院脑智卓越中心利用单细胞空间转录组揭示猕猴皮层的细胞类型。该研究成果于近日发表在《Cell》杂志上，题为：Single-cell spatial transcriptome reveals cell-type organizati
利用单细胞RNA测序技术阐明机体多种类型味觉细胞机制
日前，一项刊登在国际杂志Scientific Reports上的研究报告中，来自美国滨州莫奈尔中心(Monell Center)的研究人员通过研究开发出了一种新技术能够鉴别出了任何味觉受体细胞的一整套基因，相关研究或能帮助研究人员阐明味觉感受器细胞发挥特殊功能的分子机制。 研究者Sunil S
如何解读时空分辨单细胞测序技术的数据？
解读时空分辨单细胞测序技术的数据是一个复杂但关键的过程，通常可以遵循以下步骤：数据预处理质量控制：检查测序数据的质量，去除低质量的细胞和测序读段。数据标准化：校正不同细胞之间由于测序深度等因素导致的偏差。细胞聚类根据基因表达模式将细胞分组，识别不同的细胞类型或状态。空间定位分析将细胞的基因表达数据与
单细胞数据挖掘算法方面取得新进展
图 SEVtras高效识别单细胞转录组数据中的胞外小囊泡 在国家自然科学基金项目（批准号：32025009、32130020等）资助下，中国科学院北京生命科学研究院赵方庆团队在单细胞数据挖掘算法方面取得新进展，研究成果以“SEVtras识别单细胞转录组中液滴分辨率的胞外小囊泡（SEVtras de
单细胞测序数据分析的j技术难点
单细胞测序数据分析存在以下一些难点：数据的高维度和稀疏性每个细胞可以测量成千上万个基因的表达，但大多数细胞中只有少数基因是活跃表达的，导致数据高度稀疏且维度极大，增加了分析的复杂性。数据质量控制由于实验技术的限制，可能存在细胞捕获失败、双细胞污染、测序错误等问题，需要准确识别和处理这些低质量的数据。
解读时空分辨单细胞测序技术的数据介绍
解读时空分辨单细胞测序技术的数据是一个复杂但关键的过程，通常可以遵循以下步骤：数据预处理质量控制：检查测序数据的质量，去除低质量的细胞和测序读段。数据标准化：校正不同细胞之间由于测序深度等因素导致的偏差。细胞聚类根据基因表达模式将细胞分组，识别不同的细胞类型或状态。空间定位分析将细胞的基因表达数据与
单细胞测序基准数据集的标注方法有哪些？
单细胞测序基准数据集的标注方法主要包括以下几种： 1. 基于已知标志物的标注 - 利用已被广泛认可的特定细胞类型的标志物基因进行标注。例如，某些基因在特定细胞类型中特异性高表达，通过检测这些基因的表达水平来确定细胞类型。 2. 免疫组化或荧光染色验证 - 对组织样本进行免疫组
单细胞测序数据分析中的应用案例
以下是一些深度学习方法在单细胞测序数据分析中的应用案例： 1. 细胞类型分类 - 研究人员使用深度学习算法，如卷积神经网络（CNN），对单细胞测序数据进行分析，以准确地识别和分类不同的细胞类型。例如，通过训练模型学习不同细胞类型的基因表达特征，从而能够对新的单细胞数据进行快速准确的分类。
如何解读时空分辨单细胞测序技术的数据？
解读时空分辨单细胞测序技术的数据是一个复杂但关键的过程，通常可以遵循以下步骤：数据预处理质量控制：检查测序数据的质量，去除低质量的细胞和测序读段。数据标准化：校正不同细胞之间由于测序深度等因素导致的偏差。细胞聚类根据基因表达模式将细胞分组，识别不同的细胞类型或状态。空间定位分析将细胞的基因表达数据与
有哪些常用的基准单细胞测序数据集？
以下是一些常用的基准单细胞测序数据集：Human Cell Atlas（HCA）：这是一个大规模的项目，旨在绘制人体所有细胞类型的图谱，包含了来自多个组织和器官的单细胞测序数据。10x Genomics 提供的一些公开数据集，例如 PBMC（外周血单核细胞）数据集。Mouse Cell Atlas：
常用的基准单细胞测序数据集有哪些？
以下是一些较为常用的基准单细胞测序数据集：PBMC（外周血单核细胞）数据集：由 10x Genomics 等平台产生，常用于评估免疫细胞的分析方法。小鼠大脑数据集：例如艾伦脑科学研究所发布的相关数据集，有助于研究神经细胞的类型和功能。肿瘤相关数据集：如某些特定癌症类型的单细胞测序数据，可用于评估肿瘤
如何评估单细胞测序基准数据集的质量？
评估单细胞测序基准数据集的质量可以考虑以下几个方面： 1. 数据完整性 - 检查基因表达矩阵中是否存在大量缺失值，以及细胞数量和基因数量是否符合预期。 2. 测序深度和覆盖度 - 评估每个细胞的平均测序深度，确保能够充分捕获基因表达信息。低测序深度可能导致基因表达定量不准确。
单细胞测序数据的分析流程是怎样的？
单细胞测序数据的一般分析流程包括以下主要步骤：数据质量控制评估测序数据的质量指标，如测序深度、细胞捕获效率、基因检测数量等。去除低质量的细胞和基因。数据预处理对原始数据进行标准化和归一化处理，以消除技术偏差。基因表达定量确定每个细胞中基因的表达水平。细胞过滤基于基因表达数量、线粒体基因比例等指标进一
评估单细胞测序基准数据集质量的方法
评估单细胞测序基准数据集的质量可以从以下几个方面考虑：数据完整性检查基因表达矩阵中是否存在大量缺失值，以及细胞和基因的覆盖范围是否足够全面。测序深度和灵敏度评估每个细胞的平均测序深度，确保能够检测到低丰度的基因表达。细胞质量查看是否有指标用于评估细胞的质量，如线粒体基因比例、核糖体基因比例等，以排除
如何选择合适的数据增强方法来处理单细胞测序数据？
选择合适的数据增强方法来处理单细胞测序数据可以考虑以下几个方面：了解数据特点分析单细胞测序数据的特征，包括基因数量、细胞类型分布、数据的方差和均值等。这有助于确定哪种数据增强方法可能更适合数据的固有模式。考虑生物学合理性确保所选择的数据增强方法在生物学上是合理的。例如，对于基因表达数据，增强操作不应
Immune－Cell－Atlas－数据集包含哪些细胞类型
Immune Cell Atlas 数据集通常包含多种免疫细胞类型，常见的有： 1.T 细胞：如 CD4+ T 细胞（包括 Th1、Th2、Th17 等亚型）、CD8+ T 细胞、调节性 T 细胞等。 2. B 细胞：包括初始 B 细胞、记忆 B 细胞、浆细胞等。 3. 自然杀伤（NK）细胞。 4.
单细胞分离用于单细胞基因扩增
单细胞分离连接不同管径大小的毛细玻璃针，可分离捕获各种非贴壁状态的单细胞和微粒等，如细菌、酵母、藻类细胞、植物花粉、原生动物单细胞、悬浮细胞、血液细胞、免疫细胞、卵细胞、各种悬液中单细胞及特殊标记的单细胞等。 单细胞分离用于各种类型的细胞分离培养、纯化、检测；获得单克隆细胞；用于单细胞基因扩增，
基于单细胞数据理解细胞变化过程—拟时间序列分..（二）
图3 细胞轨迹图（按阶段分类）当然，通过以上的分析结果，我们无法判断出来轨迹的开始，因此无法确定轨迹路线。所以，我们需要结合已有认知，通过函数识别包含时间为零的大多数细胞的状态，绘制拟时间轨迹图：图4 拟时间轨迹图得到上述拟时间轨迹图后，我们就可以根据不同的阶段分类，分别进行分类绘制，得到以下结果
基于单细胞数据理解细胞变化过程拟时间序列分析详解
单细胞检测技术的发展为我们理解复杂生命体中细胞的组成与各自功能及变化过程提供了强有力的工具。基于单细胞基因表达谱数据，我们可以窥探发育过程中细胞内的调控变化，发现肿瘤微环境中的各类细胞及它们的细胞间交流，理解器官组织中复杂多样的细胞类型。现有单细胞研究是一个从整体到个体，再由个体特征重建整体的过
单细胞数据细胞分类与功能挖掘的基因分析法介绍
接触过单细胞转录组数据的小伙伴们都知道，数据的核心结果在于根据每个细胞的基因表达数据，来对细胞进行分群分类。现有通用的分析思路如下：首先根据转录组稀疏矩阵，通过计算和分析，找到不同的细胞Cluster，并找到每一类集群的Marker基因。根据已有对细胞特定Marker基因的认识，来对细胞可能的集群进
基于单细胞数据理解细胞变化过程—拟时间序列分..（一）
单细胞检测技术的发展为我们理解复杂生命体中细胞的组成与各自功能及变化过程提供了强有力的工具。基于单细胞基因表达谱数据，我们可以窥探发育过程中细胞内的调控变化，发现肿瘤微环境中的各类细胞及它们的细胞间交流，理解器官组织中复杂多样的细胞类型。现有单细胞研究是一个从整体到个体，再由个体特征重建整体的过程。
单细胞数据细胞分类与功能挖掘的基因分析法介绍
接触过单细胞转录组数据的小伙伴们都知道，数据的核心结果在于根据每个细胞的基因表达数据，来对细胞进行分群分类。现有通用的分析思路如下：首先根据转录组稀疏矩阵，通过计算和分析，找到不同的细胞Cluster，并找到每一类集群的Marker基因。根据已有对细胞特定Marker基因的认识，来对细胞可能的集
基于单细胞数据理解细胞变化过程—拟时间序列分..（三）
此外，根据细胞类型分类，我们也可以将差异基因沿着拟时间轨迹绘制不同类型细胞基因表达散点图：图8差异基因拟时间表达轨迹图最后，根据拟时间序列轨迹，我们把特征差异基因表达变化进行聚类，以热图形式展示基因的变化过程： 图9 差异基因聚类热图因此，通过拟时间序列分析，我们可实现构建细胞变化轨迹途径，并能找到
单细胞数据细胞分类与功能挖掘的基因分析法介绍
接触过单细胞转录组数据的小伙伴们都知道，数据的核心结果在于根据每个细胞的基因表达数据，来对细胞进行分群分类。现有通用的分析思路如下：首先根据转录组稀疏矩阵，通过计算和分析，找到不同的细胞Cluster，并找到每一类集群的Marker基因。根据已有对细胞特定Marker基因的认识，来对细胞可能的集
基于单细胞数据理解细胞变化过程——拟时间序列分析详解
单细胞检测技术的发展为我们理解复杂生命体中细胞的组成与各自功能及变化过程提供了强有力的工具。基于单细胞基因表达谱数据，我们可以窥探发育过程中细胞内的调控变化，发现肿瘤微环境中的各类细胞及它们的细胞间交流，理解器官组织中复杂多样的细胞类型。现有单细胞研究是一个从整体到个体，再由个体特征重建整体的过
单细胞多组学整合技术有了新突破
原文地址：http://news.sciencenet.cn/htmlnews/2024/1/516674.shtm近日，军事科学院军事医学研究院应晓敏团队在国际著名学术期刊《自然·生物技术》以Article类长文形式在线发表重大原创研究成果。该团队自主研发的用于单细胞多组学数据马赛克整合的人工智能
单细胞多组学整合技术有了新突破
近日，军事科学院军事医学研究院应晓敏团队在国际著名学术期刊《自然·生物技术》以Article类长文形式在线发表重大原创研究成果。该团队自主研发的用于单细胞多组学数据马赛克整合的人工智能算法取得新突破。细胞是生物体内发挥功能的基本结构单元。单细胞测序技术是近年来生命科学领域的突破性技术，能够检测单个细