nach oben

Erschienen in:

2022 | OriginalPaper | Buchkapitel

Unsupervised Cell Functional Annotation for Single-Cell RNA-Seq

verfasst von : Dongshunyi Li, Jun Ding, Ziv Bar-Joseph

Erschienen in: Research in Computational Molecular Biology

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

One of the first steps in the analysis of single cell RNA-Sequencing data (scRNA-Seq) is the assignment of cell types.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel CLMB: Deep Contrastive Learning for Robust Metagenomic Binning

Nächstes Kapitel A Novel Matrix Factorization Model for Interpreting Single-Cell Gene Expression from Biologically Heterogeneous Data

Abdelaal, T., et al.: A comparison of automatic cell identification methods for single-cell RNA sequencing data. Genome Biol. 20, 1–19 (2019). https://doi.org/10.1186/s13059-019-1795-z

Traag, V.A., Waltman, L., Van Eck, N.J.: From Louvain to leiden: guaranteeing well-connected communities. Sci. Rep. 9, 1–12 (2019). https://doi.org/10.1038/s41598-019-41695-z

Stuart, T., et al.: Comprehensive integration of single-cell data. Cell 177, 1888–1902 (2019). https://doi.org/10.1016/j.cell.2019.05.031

Wang, B., Zhu, J., Pierson, E., Ramazzotti, D., Batzoglou, S.: Visualization and analysis of single-cell RNA-SEQ data by kernel-based similarity learning. Nat. Methods 14, 414–416 (2017). https://doi.org/10.1038/nmeth.4207

Li, X., et al.: Deep learning enables accurate clustering with batch effect removal in single-cell RNA-SEQ analysis. Nat. Commun. 11, 1–14 (2020). https://doi.org/10.1038/s41467-020-15851-3

Subramanian, A., et al.: Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc. Natl. Acad. Sci. USA 102, 15545–15550 (2005). https://www.pnas.org/content/102/43/15545. https://www.pnas.org/content/102/43/15545.full.pdf

Li, D., Ding, J., Bar-Joseph, Z.: Unsupervised cell functional annotation for single-cell RNA-SEQ. bioRxiv (2021). https://www.biorxiv.org/content/early/2021/11/21/2021.11.20.469410. https://www.biorxiv.org/content/early/2021/11/21/2021.11.20.469410.full.pdf

Van Der Wijst, M.G., et al.: Single-cell RNA sequencing identifies celltype-specific CIS-EQTLS and co-expression QTLS. Nat. Genet 50, 493–497 (2018). https://doi.org/10.1038/s41588-018-0089-9

Schmidl, C., et al.: Transcription and enhancer profiling in human monocyte subsets. Blood 123, e90–e99 (2014). https://doi.org/10.1182/blood-2013-02-484188

10.

Consortium, T.M., et al.: Single-cell transcriptomics of 20 mouse organs creates a tabula muris. Nature 562, 367–372 (2018). https://doi.org/10.1038/s41586-018-0590-4

11.

Adams, T.S., et al.: Single-cell RNA-seq reveals ectopic and aberrant lung-resident cell populations in idiopathic pulmonary fibrosis. Sci. Adv. 6, eaba1983 (2020). https://www.science.org/doi/abs/10.1126/sciadv.aba1983. https://www.science.org/doi/pdf/10.1126/sciadv.aba1983

Titel: Unsupervised Cell Functional Annotation for Single-Cell RNA-Seq
verfasst von: Dongshunyi Li
Jun Ding
Ziv Bar-Joseph
Verlag: Springer International Publishing
Buch: Research in Computational Molecular Biology
Print ISBN: 978-3-031-04748-0

Electronic ISBN: 978-3-031-04749-7

Copyright-Jahr: 2022
DOI: https://doi.org/10.1007/978-3-031-04749-7_24

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"