1709307720
2024-03-01 00:00:00
Argelaguet、R. et al. 単一細胞解像度でのマウス原腸形成のマルチオミクスプロファイリング。 自然 576、487–491 (2019)。
Chiou、J.ら。 遺伝学と単細胞エピゲノミクスによる 1 型糖尿病のリスクの解釈。 自然 594、398–402 (2021)。
Pijuan-Sala、B. et al. マウスの原腸形成と初期器官形成の単一細胞分子マップ。 自然 566、490–495 (2019)。
トラン、HTN et al. 単一細胞 RNA シーケンス データのバッチ効果補正法のベンチマーク。 ゲノムバイオル。 21、12（2020）。
アメスキータ、RA 他。 Bioconductor を使用した単一細胞分析の調整。 ナット。 メソッド 17、137–145 (2020)。
ミン、J.ら。 FIRM: 大規模な複数組織細胞アトラス データセットに対する単一細胞 RNA シーケンス データの柔軟な統合。 簡単な。 バイオインフォーム。 23、bbac167（2022）。
リュッケン医学博士ら。 単一細胞ゲノミクスにおけるアトラスレベルのデータ統合のベンチマーク。 ナット。 メソッド 19、41–50 (2022)。
鄭、GX et al. 単一細胞の大規模並列デジタル転写プロファイリング。 ナット。 一般。 8、14049 (2017)。
10x ゲノミクス。 健康なドナーからの 8,000 個の PBMC、Cell Ranger 2.1.0 による単一細胞遺伝子発現データセット。 https://www.10xgenomics.com/resources/datasets/8-k-pbm-cs-from-a-healthy-donor-2-standard-2-1-0 (2017)。
Cao、J.ら。 哺乳類の器官形成の単一細胞転写の風景。 自然 566、496–502 (2019)。
アブデラール、T.ら。 単一細胞 RNA シーケンス データの自動細胞識別法の比較。 ゲノムバイオル。 20、194 (2019)。
Clarke, ZA et al. チュートリアル: 自動および手動の方法を使用して単一細胞トランスクリプトーム マップにアノテーションを付けるためのガイドライン。 ナット。 プロトック。 16、2749–2764 (2021)。
Saelens, W.、Cannoodt, R.、Todorov, H. & Saeys, Y. 単一セル軌道推論法の比較。 ナット。 バイオテクノロジー。 37、547–554 (2019)。
ディン、J.ら。 単細胞および単核 RNA シーケンス法の体系的な比較。 ナット。 バイオテクノロジー。 38、737–746 (2020)。
ヴラドイウ、MC 他小児期の小脳腫瘍は、保存された胎児の転写プログラムを反映しています。 自然 572、67–73 (2019)。
Peng, J. et al. 単一細胞 RNA-seq は、膵管腺癌における腫瘍内不均一性と悪性進行を強調します。 セル解像度 29、725–738 (2019)。
ポランスキー、K. 他 BBKNN: 単一細胞トランスクリプトームの高速バッチアラインメント。 バイオインフォマティクス 36、964–965 (2020)。
コルスンスキー、I.ら。 単一細胞データを Harmony と高速かつ高感度かつ正確に統合します。 ナット。 メソッド 16、1289–1296 (2019)。
Hie, B.、Bryson, B. & Berger, B. Scanorama を使用した異種単一細胞トランスクリプトームの効率的な統合。 ナット。 バイオテクノロジー。 37、685–691 (2019)。
Lopez, R.、Regier, J.、Cole, MB、Jordan, MI & Yosef, N. 単一細胞トランスクリプトミクスのための詳細な生成モデリング。 ナット。 メソッド 15、1053–1058 (2018)。
スチュアート、T.ら。 単一細胞データの包括的な統合。 細胞 177、1888–1902 (2019)。
ブイティンク、L.ら。 機械学習ソフトウェアの API 設計: scikit-learn プロジェクトの経験。 プレプリントは https://doi.org/10.48550/arXiv.1309.0238 (2013) にあります。
Goutte, C. & Gaussier, E. 精度、再現率、および再現率の確率的解釈 F-スコア、評価に影響を与える。 で 情報検索の進歩 345～359。 https://doi.org/10.1007/978-3-540-31865-1_25 (Springer、2005)。
Luecken, MD & Theis, FJ 単一細胞 RNA-seq 解析における現在のベスト プラクティス: チュートリアル。 モル。 システム。 バイオル。 15、e8746 (2019)。
Hao、Y.ら。 マルチモーダルな単一細胞データの統合分析。 細胞 184、3573–3587 (2021)。
Svensson, V.、da Veiga Beltrame, E. & Pachter, L. 厳選されたデータベースにより、単一細胞トランスクリプトミクスの傾向が明らかになります。 データベース (オックスフォード) 2020年、baaa073（2020）。
Dohmen、J.ら。 機械学習を使用して単一細胞レベルで腫瘍細胞を識別します。 ゲノムバイオル。 23、123（2022）。
トリン、MK et al. 単一細胞トランスクリプトームの対立遺伝子の不均衡からがん細胞を正確に同定します。 共通。 バイオル。 5、884（2022）。
Xu、Y.、Liu、J.、Nipper、M.、Wang、P. 乳管と腺房? 膵管腺癌の細胞系譜の特定に関する最近の洞察。 アン。 膵臓。 癌 2、11（2019）。
Backx、E. et al. 膵臓癌の起源について: 外分泌細胞の可塑性の観点から見た分子腫瘍のサブタイプ。 細胞モル。 胃腸ロール。 ヘパトール。 13、1243–1253 (2022)。
Hubert, L. & Allemand, P. パーティションの比較。 Ｊ．Ｃｌａｓｓｉｆ． 2、193–218 (1985)。
Vinh, NX、Epps, J. & Bailey, J. クラスタリング比較のための情報理論的尺度: バリアント、プロパティ、正規化、偶然性の補正。 J.マッハ。 学ぶ。 解像度 11、2837–2854 (2010)。
Argelaguet, R.、Cuomo, AS、Stegle, O. & Marioni, JC シングルセルデータ統合における計算原理と課題。 ナット。 バイオテクノロジー。 39、1202–1215（2021）。
Ogbeide, S.、Giannese, F.、Mincarelli, L. & Macaulay, IC マルチバースへ: 単一細胞マルチオーム プロファイリングの進歩。 トレンドジュネット。 38、831–843 (2022)。
Andreatta, M. & Carmona, SJ STACAS: 単一細胞 RNA-seq データを統合するための Seurat でのアライメントのためのサブタイプ アンカー補正。 バイオインフォマティクス 37、882–884 (2021)。
Johansen, N. & Quon, G. ScAlign: scRNA-seq データからのアラインメント、統合、および希少細胞の同定のためのツール。 ゲノムバイオル。 20、166 (2019)。
Hu, Z.、Ahmed, AA & Yau, C. CIDER: 単一細胞 RNA-seq データの統合と評価のための解釈可能なメタクラスタリング フレームワーク。 ゲノムバイオル。 22、337（2021）。
Demetçi, P.、Santorella, R.、Sandstede, B. & Singh, R. 不均衡な細胞型表現を持つ単一細胞マルチオミクス データセットの教師なし統合。 でプレプリント バイオRxiv https://doi.org/10.1101/2021.11.09.467903 (2022)。
Wolf, FA、Angerer, P. & Theis, FJ SCANPY: 大規模な単一細胞遺伝子発現データ分析。 ゲノムバイオル。 19、15（2018）。
McGinnis, CS、Murrow, LM & Gartner, ZJ DoubletFinder: 人工最近傍法を使用した単一細胞 RNA シークエンシング データにおけるダブレット検出。 セルシステム。 8、329–337 (2019)。
Google スカラー
アラン、D.ら。 肺単一細胞配列決定の参照ベースの分析により、移行性線維化促進性マクロファージが明らかになりました。 ナット。 イムノール。 20、163–172 (2019)。
千々松良 ほかヒト膵臓腺癌の参照単一細胞 RNA 配列データセットの確立。 アイサイエンス 25、104659 (2022)。
Tickle, T.、Tirosh, I.、Georgescu, C.、Brown, M. & Haas, B. 単一細胞 RNA 配列データからコピー数の変動を推測します。 https://doi.org/doi:10.18129/B9.bioc.infercnv (2019)。
スティール、NG 他ヒト膵臓がんにおける腫瘍と末梢血免疫状況の多峰性マッピング。 ナット。 癌 1、1097–1112 (2020)。
Chen, K. et al. 定量的病理学および単一細胞 RNA シーケンスを使用した膵臓がんの免疫プロファイリングおよび予後モデル。 Ｊ．Ｔｒａｎｓｌ． 医学。 21、２１０（２０２３年）。
ウェルチ、JD et al. 単一細胞のマルチオミック統合により、脳細胞の同一性の特徴が比較対照されます。 細胞 177、1873–1887 (2019)。
McInnes, L.、Healy, J. & Melville, J. UMAP: 次元削減のための一様多様体近似と射影。 プレプリントは https://doi.org/10.48550/arXiv.1802.03426 (2018) にあります。
バージニア州トラーグ、L. ウォルトマン、ニュージャージー州ファン・エック ルーヴァンからライデンまで: つながりの深いコミュニティを保証します。 科学。 議員 9、5233（2019）。
ウルフ、FA 他 PAGA: グラフの抽象化は、単一セルのトポロジーを保持するマップを介してクラスタリングと軌道推論を調和させます。 ゲノムバイオル。 20、59（2019）。
Haghverdi, L.、Büttner, M.、Wolf, FA、Buettner, F. & Theis, FJ 拡散擬似時間は系統分岐を堅牢に再構築します。 ナット。 メソッド 13、845–848 (2016)。
ワイナー、BJ、ブラウン、DR & ミシェルズ、KM 実験計画における統計的原則 第 3 版 (マグロウヒル、1991)。
Rosenberg, A. & Hirschberg, J. V-Measure: 条件付きエントロピーに基づく外部クラスター評価尺度。 手順自然言語処理および計算による自然言語学習における経験的手法に関する 2007 年合同会議 410–420 (計算言語学協会、2007)。
#データセットの不均衡が単一セルのデータ統合に及ぼす影響の特徴付け
