stochprofML: stochastic profiling using maximum likelihood estimation in R.
stochprofML: stochastic profiling using maximum likelihood estimation in R.
复制标题
DOI：
10.1186/s12859-021-03970-7
复制
发表时间：
2021-03-15
影响因子：
3
通讯作者：
Fuchs C
中科院分区：
文献类型：
--
作者：
Amrhein L;Fuchs C
组织通常在其单细胞分子表达方面是异质的，这可以支配细胞命运的调节。为了理解发育和疾病，重要的是量化给定组织中的异质性。我们提出了R包stochprofML，它使用最大似然原理来参数化小随机池细胞累积表达的异质性。我们评估算法的性能在模拟研究和提出进一步的应用机会。随机分析比混合样品的必要分层更重要，节省了实验成本和工作量，测量误差更小。它提供了参数化异质性，估计潜在的池组成和检测样品之间的细胞群体之间的差异的可能性。在线版本包含补充材料，可通过10.1186/s12859-021-03970-7获得。
Tissues are often heterogeneous in their single-cell molecular expression, and this can govern the regulation of cell fate. For the understanding of development and disease, it is important to quantify heterogeneity in a given tissue. We present the R package stochprofML which uses the maximum likelihood principle to parameterize heterogeneity from the cumulative expression of small random pools of cells. We evaluate the algorithm’s performance in simulation studies and present further application opportunities. Stochastic profiling outweighs the necessary demixing of mixed samples with a saving in experimental cost and effort and less measurement error. It offers possibilities for parameterizing heterogeneity, estimating underlying pool compositions and detecting differences between cell populations between samples. The online version contains supplementary material available at 10.1186/s12859-021-03970-7.
登录
查看更多内容
DOI：
10.1073/pnas.1311647111
发表时间：
2014-02-04
影响因子：
11.1
作者：
Bajikar, Sameer S.;Fuchs, Christiane;Janes, Kevin A.
通讯作者：
Janes, Kevin A.
影响因子：
48
作者：
Sandberg, Rickard
通讯作者：
Sandberg, Rickard
DOI：
10.1093/bioinformatics/btq406
发表时间：
2010-10-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Erkkilä T;Lehmusvaara S;Ruusuvuori P;Visakorpi T;Shmulevich I;Lähdesmäki H
通讯作者：
Lähdesmäki H
影响因子：
5.8
作者：
Gaujoux, Renaud;Seoighe, Cathal
通讯作者：
Seoighe, Cathal
一种改进的单细胞 cDNA 扩增方法，用于高效的高密度寡核苷酸微阵列分析。
影响因子：
14.9
作者：
Kurimoto K;Yabuta Y;Ohinata Y;Ono Y;Uno KD;Yamada RG;Ueda HR;Saitou M
通讯作者：
Saitou M