Soru:
Hücre hattı katkısı RNASeq verilerinden nasıl tahmin edilebilir?
llrs
2017-05-30 12:30:54 UTC
view on stackexchange narkive permalink

Bir lazer yakalama mikro diseksiyonu kullanılarak, ilgilenilen işaretleyici ile boyanan bir hücre grubu sekanslandı. Başka bir hasta kohortunda (bunların tamamı insan karaciğer dokusudur) tüm doku sekanslanmıştır (her iki durumda da RNA sekansı)

Tüm karaciğerde işaretlenen hücrelerin katkısını tahmin edebilir miyim (" Bu hücreler "benim PI'mın sözleriyle karaciğerde mi?

İçimden gelen his, bunun bu şekilde yapılamayacağı, katkısını tahmin etmek için hem tek hücre sıralaması hem de tüm doku dizilimi gerektireceği yönünde. her hücre hattı. Ancak, GSVA veya benzer bir araç kullanılarak karşılaştırılabilecek hücre çizgileri veya diğer hücre hatlarının ana ifadesini veren bir araç olabilir.

Karışım tahmini için araçlara baktınız mı (yaptığınız şey bu)? Tahminin ne kadar kesin olmasına ihtiyacınız var?
Karışım tahminini duymadım, bu yüzden bu anahtar kelimeye sahip araçları aramadım. Kesinlik ihtiyacım yok, ne kadar çok, o kadar iyi: D. Ancak verilerimin çok iyi olmadığından şüpheleniyorum (lazer mikro diseksiyonun sadece 6 teknik kopyasına sahibim) bu yüzden fazla bir şey bekleyemem.
Dört yanıtlar:
#1
+6
Iakov Davydov
2017-06-01 14:01:04 UTC
view on stackexchange narkive permalink

Bunu yapmaya çalışan birkaç hesaplama yöntemi vardır (onları hiç kullanmadım, bu yüzden deneyimim yok):

  1. CellMix, işaretleyici gen kümelerine dayalı listeler
  2. Zenginleştirme Korelasyonundan Alt Küme Tahmini, bir örnek kümesi boyunca alt kümeye özgü genlerle korelasyonlara dayanır.
  3. Hücre türü zenginleştirme, yüksek oranda ifade edilen, hücreye özgü gen veritabanımızı kullanan
  4. Hücre türüne özgü anlamlılık analizi, her hücre türü için farklı gen ifadesini kullanan
  5. ol >

    Bazı yöntemler için kamuya açık veritabanlarından veya gazetelerden bazı referans ifade seviyeleri almanız gerekebilir.

    Unutulmaması gereken bir şey var: hücre oranını gerçekten hesaplayamazsınız, sadece RNA oranını hesaplayabilirsiniz. Hücre başına RNA miktarının çok benzer olduğunu varsaymak için iyi bir nedeniniz varsa, bu bir dokudaki hücre oranı için iyi bir vekildir.

Güzel referanslar. Bu sınırlamayı aklımda tutacağım. Teşekkürler
#2
+4
gringer
2017-06-01 17:48:19 UTC
view on stackexchange narkive permalink

Hücre ters evrişimden, bağışıklık hücresi karışımları için CIBERSORT'tan ve DeconRNASeq Bioconductor paketinden bahseden bu Biostars gönderisinde bahsedilmektedir.

Şimdiye kadar Standart yüksek verimli sıralama sonuçlarından transkript ifadesi için en iyi ihtimalle orantılı temsil elde etmenin mümkün olduğunun farkındayım, çünkü sıralayıcılar ve örnek hazırlama iş akışı, ne olursa olsun aynı sayıda okuma çıktı olacak şekilde tasarlandı. girdi miktarı.

CIBERSORT, denemeye değer güzel bir araç gibi geliyor.
#3
  0
Dr_Hope
2020-08-18 19:18:02 UTC
view on stackexchange narkive permalink

Referans olarak saflaştırılmış birincil hücreler için herkese açık tek hücreli RNA sekansı verilerini veya toplu RNA sekansını indirebilir ve ardından evrişimi çözmek için CIBERSORT veya MuSiC'yi kullanabilirsiniz. Dikkat edilmesi gereken bir şey: toplu RNA sekansı ve tek hücre referansı yapmak uyumlu, RNA dizisinden TPM, 3 '(10X, Drop-seq vb.) tek hücreli verilerde CPM ve tam uzunlukta tek hücreli verilerde (SMARTseq vb.) TPM ile karşılaştırılabilir

#4
  0
Reza Rezaei
2020-08-18 21:31:11 UTC
view on stackexchange narkive permalink

Aslında bir ay önce aynı soruyu arıyordum ve kullanılabilecek birkaç paket buldum. Öncelikle bunların işlevselliği, hücre oranı tahmini, hücreye özgü gen ekspresyon tahmini veya bu işlevlerin her ikisi olabilir. İkincisi, birincil girdileri, beklendiği gibi, toplu RNA-sekans verileridir ve bazıları ayrıca ikincil girdi olarak tek hücreli bir RNA-sekans verisi ister. Web sitelerini gezdim ve öğreticileri okudum. Platformlarını öğrenmek için kullanılabilecek birkaç örnek veri kümesine sahiptirler. Bununla birlikte, en büyük iki kusur, kaynak kodlarını paylaşmamış olmalarıdır; bu, sonucu kendi sistemlerimizde yeniden oluşturamayacağımız ve tüm verilerimizi Stanford sunucularına yüklememiz gerektiği anlamına gelir (güvenlik endişeleri!). İkinci sorun, sunucularına API erişimi olmaması ve her şeyin çevrimiçi yapılması gerektiğidir, bu da diğer araçlarla çok düşük uyumluluk anlamına gelir.

Bu fikir, hücrelerin alt popülasyonunu toplu olarak çıkarmak için ters evrişim ve derin öğrenmeyi kullanma RNA-seq harika. Bu yüzden, başkalarının da benzer ve belki daha iyi bir şey yapıp yapmadığını araştırdım. Başka üç araç buldum:

  1. MuSiC: https://www.nature.com/articles/s41467-018-08023-x
    Doğa iletişiminde yayınlandı ve cibersortx'ten birkaç ay daha eski. Henüz algoritmalarını incelemedim ve bu yüzden yöntemlerinin cibersortx'ten daha iyi olup olmadığını söyleyemem. Ancak farkı yaratan kısım, kaynak kodları dahil tüm çalışmalarının açık kaynak kodlu olmasıdır. Bu yüzden kodlarına erişebiliyorum ve yayınlanmamış verilerimizi güvenli olmayan bazı çevrimiçi sunuculara yüklememize gerek yok (cibersortx'in aksine). İkinci iyi şey, RNA dizilim veri analizimin çoğu için kullandığım R dilinde uygulanmış olmasıdır, bu nedenle diğer araçlarla kolayca uyumludur.

  2. Scaden: https://advances.sciencemag.org/content/6/30/eaba2619.full Bu aynı zamanda açık kaynaklıdır ve kolayca erişilebilir. Python'da yazılır ve kabukta çalışır. Bu nedenle, diğer araçlarla bir şekilde uyumludur (MuSic kadar uyumlu değildir). Verilerimizi yine yerel olarak işleyebiliriz ve verilerimizi herhangi bir sunucuya yüklememize gerek yoktur (ki bu iyidir). Yöntemlerinin gerçek scRNA-seq verileriyle hem cibersortx hem de MuSic'ten (her zaman değil !!) daha iyi bir korelasyona sahip olduğunu iddia ediyorlar. Eğitimlerine göre araçlarını çalıştırmak kolay görünüyor (henüz sistemimde çalıştırmadım!). Ancak, eğitimleri biraz kafa karıştırıcı görünüyor ve görünüşe göre hala yayın öncesi sürümde ve hataları var !!

  3. CDSeq: https: / /github.com/kkang7/CDSeq_R_Package Son olarak, toplu verilerde tek hücre oranlarını ve hücreye özgü gen ifadesini bulmak için herhangi bir scRNA-seq girdisine ihtiyaç duymayan CDSeq paketini buldum. Sadece sizin buld sayınızı girdi ve çok az parametre hakkında bilgi olarak alıyor ve her şeyi otomatik olarak yapıyor ve şaşırtıcı derecede iyi, kontrol ettim! Belirli hücrelerinizin gen ifade modelini bulabilirseniz ve bunu bir girdi olarak kullanırsanız, isteğe bağlıdır, size daha da iyi bir tahmin verecektir.



Bu Soru-Cevap, otomatik olarak İngilizce dilinden çevrilmiştir.Orijinal içerik, dağıtıldığı cc by-sa 3.0 lisansı için teşekkür ettiğimiz stackexchange'ta mevcuttur.
Loading...