NC | Bulk2Space:以空间单细胞分辨率对RNA-seq数据进行从头分析
以单细胞分辨率揭示组织分子结构有助于更好地了解生物体的生物学和病理过程。然而,bulk RNA-seq 只能测量细胞混合物中的基因表达。《Nature Communications》发表了一种基于深度学习框架的空间去卷积算法:Bulk2Space,首次实现将Bulk转录组重构至单细胞空间分辨率。
Bulk2Space是什么?
Bulk2Space是一种基于深度学习框架的空间去卷积算法,该算法使用现有的高质量scRNA-seq数据和空间转录组学作为参考,从bulk RNA-seq中生成空间解析的单细胞表达谱。
Bulk2Space工作流程
Bulk2Space分为去卷积和空间映射两个步骤:首先在聚类空间内生成单细胞转录组数据,以找到一组细胞,其聚合数据与批量数据最接近。接下来,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。
Bulk2Space的性能测试
研究团队使用bulk RNA-seq数据验证 Bulk2Space的性能,其揭示了不同肿瘤区域免疫细胞的空间差异、炎症诱导肿瘤发生过程中组织的分子和空间异质性以及不同细胞类型中新基因的空间模式。此外,Bulk2Space对研究团队内部开发的称为Spatial-seq的测序方法的两个不同小鼠大脑区域的bulk RNA-seq数据进行空间去卷积分析,不仅重建了小鼠等皮质的层次结构,还进一步注释了小鼠下丘脑中原始方法未识别的细胞类型。
Bulk2Space的基准测试
尽管每次β-VAE生成的单细胞数据略有不同,但总体预测结果在细胞类型的空间分布、细胞类型组成和斑点比例以及基因表达的空间模式方面表现稳健。
利用Bulk2Space对Spatial-seq技术获得的小鼠下丘脑bulk转录组进行空间解卷积及细胞类型注释
Bulk2Space具有巨大的生物学和临床应用前景,包括将组织分子特征与组织学表型联系起来,揭示细胞的空间特异性变异,发现新基因的空间表达模式,实现更精细的细胞聚类,以及预测疾病进展的分子机制。
相关文章
- 使用 Dynatrace 对 Node.js 应用的性能数据进行分析
- R语言混合效应逻辑回归(mixed effects logistic)模型分析肺癌数据|附代码数据
- 分布滞后线性和非线性模型(DLNM)分析空气污染(臭氧)、温度对死亡率时间序列数据的影响|附代码数据
- MongoDB数据的导出导入及日志分析
- 【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据
- R语言广义相加模型 (GAMs)分析预测CO2时间序列数据|附代码数据
- 用ppt图表分析人口数据
- 1.6k Star开源新一代数据可视化开放平台,支持报表、仪表板、大屏、分析
- 数据分享|R语言用lme4多层次(混合效应)广义线性模型(GLM),逻辑回归分析教育留级调查数据|附代码数据
- 以某课网日志分析为例 进入大数据 Spark SQL 的世界详解大数据
- 自定义Hive Sql Job分析工具详解大数据
- Oracle数据导入:空表导入指南(oracle导空表)
- 掌握Oracle触发器类型,开启数据行动力(oracle触发器类型)
- 实现MSSQL数据库迁移的精彩之旅(mssql数据迁移)
- 如何在MongoDB中查看数据:使用查询和聚合操作进行检索和分析。(mongodb怎么看数据)
- Oracle分组累计:如何使用聚合函数实现统计分组数据的累计值?(oracle分组累计)
- MySQL表数据容量大小分析及优化(mysql 表数据 大小)
- 数据使用MSSQL分析每月数据统计(mssql 统计每月)
- 将表数据安全存储到Redis中(表数据放到redis)
- 3月收入Oracle上去年三月收入数据洞察与复盘分析(oracle中去年)
- 技术利用Oracle三大关联技术做数据关联分析(oracle三大关联)