STIE有两种模式:(1)单细胞反STIE有两种模式:(1)单细胞反卷积/卷积:根据细胞类型转录组特征,STIE将低/高分辨率spot反卷积/卷积成单细胞。转录组特征可以从现有的不同组织的单细胞图谱中定义。(2)单细胞聚类(Signature-free 单细胞反卷积/卷积):在没有细胞类型转录组特征的情况下,STIE可以在单细胞水平上进行聚类。
Bulk2Space算法分为解卷积和空间映射两个步骤。其利用β-VAE在聚类空间内将异质转录组解卷积为单细胞转录组数据,然后使用空间转录组参考将生成的单个细胞分配到最佳空间位置。对于空间映射,研究人员将两种最常用的空间分辨转录组学方法作为空间参考,即基于空间条形码的RNA-seq方法和基于图像的靶向方法(图1)。 图1:Bulk...
针对单细胞RNA测序(scRNA-seq)数据标准化和批量RNA-seq解卷积中因忽略转录组大小差异导致的基因表达偏差问题,Songjian Lu等开发了ReDeconv算法。该工具通过CLTS(基于线性化转录组大小的计数)标准化方法,有效校正了CP10K标准化导致的差异表达基因误识别,并整合表达方差信息提升了解卷积精度,尤其在稀有细胞类型分析中表现优...
研究结论部分指出,SNACS成功解决了scDNA-seq多样本混合实验的解卷积难题,其创新性主要体现在三个方面:一是首次将SNP与抗体标记结合使用;二是开发了适应DNA测序特点的算法流程;三是建立了严格的验证体系。相比现有方法,SNACS在保持高细胞保留率的同时,将准确率提高了5.8%-43.9%。 讨论部分深入分析了技术优势和应用前景。
去卷积就是把一个完整的东西解构为n个特征,如一个小狗=鼻子*1+眼睛*2+有毛等。在转录组数据中,好像最早的去卷积就是CIBERSORT或者ssGSEA,这是一类利用经典细胞marker来推算整个肿瘤组织中各个细胞的比例,如CD3表达算T细胞,EPCAM+的算上皮细胞,真实的算法用到的原理不可能这么简单,不过大家也不用在意,有大佬开发...
Bulk RNA测序无法反应单个细胞层面的基因表达,忽略了细胞间的异质性。通过算法结合单细胞测序细胞表达谱对bulk数据进行推断,可以预测出bulk数据中细胞的成分和比例,这种方式在数学上叫做反卷积(Deconvolution)。目前已有许多整合单细胞数据和bulk转录组数据的反卷积算法,比如CIBESORT,BayesPrism等。
STIE有两种模式:(1)单细胞反STIE有两种模式:(1)单细胞反卷积/卷积:根据细胞类型转录组特征,STIE将低/高分辨率spot反卷积/卷积成单细胞。转录组特征可以从现有的不同组织的单细胞图谱中定义。(2)单细胞聚类(Signature-free 单细胞反卷积/卷积):在没有细胞类型转录组特征的情况下,STIE可以在单细胞水平上进行聚类...
Bulk2Space算法分为解卷积和空间映射两个步骤。其利用β-VAE在聚类空间内将异质转录组解卷积为单细胞转录组数据,然后使用空间转录组参考将生成的单个细胞分配到最佳空间位置。对于空间映射,研究人员将两种最常用的空间分辨转录组学方法作为空间参考,即基于空间条形码的RNA-seq方法和基于图像的靶向方法(图1)。
STIE有两种模式:(1)单细胞反STIE有两种模式:(1)单细胞反卷积/卷积:根据细胞类型转录组特征,STIE将低/高分辨率spot反卷积/卷积成单细胞。转录组特征可以从现有的不同组织的单细胞图谱中定义。(2)单细胞聚类(Signature-free 单细胞反卷积/卷积):在没有细胞类型转录组特征的情况下,STIE可以在单细胞水平上进行聚类...