Best practices for single-cell analysis across modalities.
Best practices for single-cell analysis across modalities.
复制标题
跨模态单细胞分析的最佳实践。
DOI：
10.1038/s41576-023-00586-w
复制
发表时间：
2023-08
期刊：
影响因子：
--
通讯作者：
Theis FJ
中科院分区：
文献类型：
--
作者：
Heumos L;Schaar AC;Lance C;Litinetskaya A;Drost F;Zappia L;Lücken MD;Strobl DC;Henao J;Curion F;Single-cell Best Practices Consortium;Schiller HB;Theis FJ
单细胞技术的最新进展使得能够跨模式和位置对细胞进行高通量分子分析。单细胞转录组学数据现在可以通过染色质可及性、表面蛋白表达、适应性免疫受体谱分析和空间信息来补充。跨模态的单细胞数据的可用性越来越高，这促使了新的计算方法的发展，以帮助分析师获得生物学见解。随着该领域的发展，在庞大的工具和分析步骤中导航变得越来越困难。在这里，我们总结了跨模式的单峰和多峰单细胞分析的独立基准研究，为最常见的分析步骤提供全面的最佳实践工作流程。在独立的基准不可用，我们审查和对比流行的方法。我们的文章作为单细胞（多）组学分析领域新手的切入点，并指导高级用户了解最新的最佳实践。单细胞组学领域的从业者现在面临着分析工具的多种选择，以处理和整合来自各种分子模式的数据。在一篇专家推荐文章中，作者提供了关于强大的单细胞数据分析的指导，包括从基准研究中选择性能最佳的工具。
Recent advances in single-cell technologies have enabled high-throughput molecular profiling of cells across modalities and locations. Single-cell transcriptomics data can now be complemented by chromatin accessibility, surface protein expression, adaptive immune receptor repertoire profiling and spatial information. The increasing availability of single-cell data across modalities has motivated the development of novel computational methods to help analysts derive biological insights. As the field grows, it becomes increasingly difficult to navigate the vast landscape of tools and analysis steps. Here, we summarize independent benchmarking studies of unimodal and multimodal single-cell analysis across modalities to suggest comprehensive best-practice workflows for the most common analysis steps. Where independent benchmarks are not available, we review and contrast popular methods. Our article serves as an entry point for novices in the field of single-cell (multi-)omic analysis and guides advanced users to the most recent best practices. Practitioners in the field of single-cell omics are now faced with diverse options for analytical tools to process and integrate data from various molecular modalities. In an Expert Recommendation article, the authors provide guidance on robust single-cell data analysis, including choices of best-performing tools from benchmarking studies.
登录
查看更多内容
影响因子：
48
作者：
Biancalani T;Scalia G;Buffoni L;Avasthi R;Lu Z;Sanger A;Tokcan N;Vanderburg CR;Segerstolpe Å;Zhang M;Avraham-Davidi I;Vickovic S;Nitzan M;Ma S;Subramanian A;Lipinski M;Buenrostro J;Brown NB;Fanelli D;Zhuang X;Macosko EZ;Regev A
通讯作者：
Regev A
影响因子：
48
作者：
Amezquita, Robert A.;Lun, Aaron T. L.;Hicks, Stephanie C.
通讯作者：
Hicks, Stephanie C.
影响因子：
8
作者：
Barshan, Elnaz;Ghodsi, Ali;Jahromi, Mansoor Zolghadri
通讯作者：
Jahromi, Mansoor Zolghadri
影响因子：
12.3
作者：
Abdelaal, Tamim;Michielsen, Lieke;Mahfouz, Ahmed
通讯作者：
Mahfouz, Ahmed
DOI：
10.1073/pnas.0807297105
发表时间：
2008-09-30
影响因子：
11.1
作者：
Anderson, Ericka L.;Baltus, Andrew E.;Page, David C.
通讯作者：
Page, David C.