之前提到,将CP10K标准化应用于scRNA-seq data reference可以在细胞类型反卷积中引起Type-I问题。由于CP10K可以放大转录组大小较小的细胞的expression profiles,同时缩小转录组大小较大的细胞的expression profiles,在bulk RNA-seq data反卷积的计算中,这将导致减少转录组大小较小的细胞类型的百分比,并增大转录组大小较大...
研究发现,应用 CP10K 归一化的 scRNA-seq 数据作为批量 RNA-seq 反卷积的参考时,会产生缩放效应(Type-I 问题),影响细胞反卷积结果,尤其对肿瘤微环境中的稀有细胞类型影响显著;批量 RNA-seq 样本文库制备过程中的基因长度效应(Type-II 问题)以及参考样本和混合样本中相同细胞类型基因表达差异被忽视(Type-III 问题)...
半监督反卷积可以通过结合来自 CAM 和先验知识的分子标记来分析混合表达式来实现。 debCAM 是一个 R 包,用于通过 CAM 算法进行组织异质性表征。 无监督反卷积:基本功能,可通过 CAM 对混合表达式配置文件执行无监督反卷积,并提供一些辅助功能,以帮助了解特定于亚群的结果; 监督反卷积:debCAM 还实现了基于分子标记、...
quanTIseq将从肿瘤样本或其他细胞混合物中读取的RNA-seq作为输入FASTQ文件,并通过反卷积量化十种不同免疫细胞类型的比例和异质样本中其他未特征细胞的比例(表1)。quanTIseq分析包括三个步骤(图1): 使用Trimmomatic 预处理原始 RNA-seq 数据(单端或双端),以删除 Illumina 接头序列,trim 低质量的 reads,将长读取裁剪到...
(1)Cibersort:基于反卷积算法,可以得到22种免疫细胞的丰度结果。 (2)xCELL:基于标记基因集合的ssGSEA算法,可以得到5个大类的64种细胞类型的丰度结果,含有非免疫的。 (3)ESTIMATE:可以得到整体的基质细胞和免疫细胞评分。 零 准备数据 通过XENA(UCSC Xena)下载TCGA-SKCM的表达量矩阵 ,记得同时下载对应的probeMap文...
目前,基于RNA表达的反卷积算法可以依据RNA序列所属特定细胞群的比例来确定组织细胞的组成(图1)。为降低细胞亚型同源转录组程序的复杂性,研究团队开发了一种决策树算法“Kassandra”,通过确定不同细胞类型的RNA-seq在非癌组织和癌组织中的...
目前,基于RNA表达的反卷积算法可以依据RNA序列所属特定细胞群的比例来确定组织细胞的组成(图1)。为降低细胞亚型同源转录组程序的复杂性,研究团队开发了一种决策树算法“Kassandra”,通过确定不同细胞类型的RNA-seq在非癌组织和癌组织中的RNA比例,来精确推算不同细胞亚型的比例。
通过反卷积大量的rna-seq样本获得细胞类型的分数,骨髓来源的抑制细胞(MDSC)在UTI处理的样本中显著扩增。进一步的细胞-细胞间的信号分析揭示了一些信号通路,如ANEEXIN、GRN和RESISTIN可能参与了UTI的免疫调节作用。该研究结果搭建了UTI治疗...
在这里，香港中文大学的研究人员介绍了 Tissue-AdaPtive autoEncoder（TAPE），这是一种连接批量 RNA-seq 和单细胞 RNA-seq 的深度学习方法，可在短时间内实现精确的反卷积。通过构建可解释的解码器并在独特的方案下进行训练，TAPE 可以自适应地预测细胞类型分数和细胞类型特异性基因表达组织。与几个数据集上的流行...
批量RNA测序(bulk RNA-seq)可以在给定时间内揭示肿瘤中所有基因和TME的存在及数量,但如果没有细胞反卷积技术,仅凭总RNA表达量无法确定单个RNA分子的细胞起源。近期,科研人员开发了基于深度学习的反卷积方法,但这些方法往往需要对相同组织类型的单细胞RNA-seq数据或配对流式细胞仪数据进行再训练,这限制了其临床应用。