A web server for comparative analysis of single-cell RNA-seq data.
A web server for comparative analysis of single-cell RNA-seq data.
复制标题
DOI：
10.1038/s41467-018-07165-2
复制
发表时间：
2018-11-13
影响因子：
16.6
通讯作者：
Bar-Joseph Z
中科院分区：
文献类型：
--
作者：
Alavi A;Ruffalo M;Parvangada A;Huang Z;Bar-Joseph Z
单细胞 RNA 测序 (scRNA-seq) 研究分析了异质环境中的数千个细胞。目前表征细胞的方法进行无监督分析，然后使用一小组已知标记基因进行分配。此类方法仅限于少数特征明确的细胞类型。我们开发了一个自动化管道来下载、处理和注释公开可用的 scRNA-seq 数据集，以实现大规模监督表征。我们扩展监督神经网络以获得 scRNA-seq 数据的高效且准确的表示。我们应用我们的流程来分析来自 500 多项不同研究（涉及 300 多种独特细胞类型）的数据，结果表明，在细胞类型识别方面，监督方法优于无监督方法。案例研究强调了这些方法在比较健康和患病小鼠的细胞类型分布方面的有用性。最后，我们介绍了 scQuery，这是一个网络服务器，它使用我们的神经网络和快速匹配方法来确定细胞类型、关键基因等。公开的单细胞 RNA-seq 数据集代表了比较和荟萃分析的宝贵资源。在这里，作者开发了 scQuery，这是一个网络服务器，集成了 500 多项不同的研究和 300 多种独特的细胞类型，用于对现有和新的 scRNA-seq 数据进行比较分析。
Single cell RNA-Seq (scRNA-seq) studies profile thousands of cells in heterogeneous environments. Current methods for characterizing cells perform unsupervised analysis followed by assignment using a small set of known marker genes. Such approaches are limited to a few, well characterized cell types. We developed an automated pipeline to download, process, and annotate publicly available scRNA-seq datasets to enable large scale supervised characterization. We extend supervised neural networks to obtain efficient and accurate representations for scRNA-seq data. We apply our pipeline to analyze data from over 500 different studies with over 300 unique cell types and show that supervised methods outperform unsupervised methods for cell type identification. A case study highlights the usefulness of these methods for comparing cell type distributions in healthy and diseased mice. Finally, we present scQuery, a web server which uses our neural networks and fast matching methods to determine cell types, key genes, and more. Publicly available single cell RNA-seq datasets represent valuable resources for comparative and meta-analysis. Here, the authors develop scQuery, a web server integrating over 500 different studies with over 300 unique cell types for comparative analysis of existing and new scRNA-seq data.
登录
查看更多内容
DOI：
10.1126/science.1247651
发表时间：
2014-02-14
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Jaitin DA;Kenigsberg E;Keren-Shaul H;Elefant N;Paul F;Zaretsky I;Mildner A;Cohen N;Jung S;Tanay A;Amit I
通讯作者：
Amit I
单细胞拓扑RNA-seq分析揭示了对细胞分化和发育的见解。
影响因子：
46.9
作者：
Rizvi AH;Camara PG;Kandror EK;Roberts TJ;Schieren I;Maniatis T;Rabadan R
通讯作者：
Rabadan R
影响因子：
8.8
作者：
Mathys H;Adaikkan C;Gao F;Young JZ;Manet E;Hemberg M;De Jager PL;Ransohoff RM;Regev A;Tsai LH
通讯作者：
Tsai LH
DOI：
10.1126/science.aad0501
发表时间：
2016-04-08
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Tirosh I;Izar B;Prakadan SM;Wadsworth MH 2nd;Treacy D;Trombetta JJ;Rotem A;Rodman C;Lian C;Murphy G;Fallahi-Sichani M;Dutton-Regester K;Lin JR;Cohen O;Shah P;Lu D;Genshaft AS;Hughes TK;Ziegler CG;Kazer SW;Gaillard A;Kolb KE;Villani AC;Johannessen CM;Andreev AY;Van Allen EM;Bertagnolli M;Sorger PK;Sullivan RJ;Flaherty KT;Frederick DT;Jané-Valbuena J;Yoon CH;Rozenblatt-Rosen O;Shalek AK;Regev A;Garraway LA
通讯作者：
Garraway LA
影响因子：
14.9
作者：
Rosenbloom KR;Armstrong J;Barber GP;Casper J;Clawson H;Diekhans M;Dreszer TR;Fujita PA;Guruvadoo L;Haeussler M;Harte RA;Heitner S;Hickey G;Hinrichs AS;Hubley R;Karolchik D;Learned K;Lee BT;Li CH;Miga KH;Nguyen N;Paten B;Raney BJ;Smit AF;Speir ML;Zweig AS;Haussler D;Kuhn RM;Kent WJ
通讯作者：
Kent WJ