1749699897
2025-06-11 00:00:00
De Sande、Bv et al。創薬と開発における単一細胞RNAシーケンスの応用。 ナット。 Rev. Drug Discov。 22、496–520（2023）。
Zhang、MJ et al。多遺伝子濃縮は、単一細胞RNA-seqデータにおける個々の細胞の疾患関連を区別します。 ナット。ジェネット。 54、1572–1580（2022）。
Rood、Je et al。医学に対するヒト細胞アトラスの影響。 夜。と。 28、2486–2496（2022）。
Rood、Je et al。細胞国勢調査から統一された基礎モデルまでのヒト細胞アトラス。 自然 637、1065–1071（2025）。
Hao、Y。etal。マルチモーダルシングルセルデータの統合分析。 細胞 184、3573-3587.e29（2021）。
セオドリス、CV等。転送学習は、ネットワーク生物学の予測を可能にします。 自然 618、616–624（2023）。
Heimberg、G。etal。同様のヒト細胞のスケーラブルな検索のためのセルアトラス基礎モデル。 自然 638、1085–1094（2025）。
ローゼン、Y。etal。ユニバーサル細胞埋め込み：細胞生物学の基礎モデル。プレプリントで バイオルハイブ https://doi.org/10.1101/2023.11.28.568918（2023）。
Cui、H。etal。 SCGPT：生成AIを使用したシングルセルマルチオミクスの基礎モデルの構築に向けて。 ナット。方法 21、1470–1480（2024）。
Hao、M。et al。単一細胞トランスクリプトームの大規模な基礎モデル。 ナット。方法 21、1481–1491（2024）。
Luecken、MD et al。シングルセルゲノミクスにおけるAtlasレベルのデータ統合のベンチマーク。 ナット。方法 19、41–50（2022）。
Tran、Htn et al。単一細胞RNAシーケンスデータのバッチ効果補正方法のベンチマーク。 ゲノムバイオール。 21、12（2020）。
王、H。etal。人工知能の時代における科学的発見。 自然 620、47–60（2023）。
Liu、T.、Li、K.、Wang、Y.、Li、H。＆Zhao、H。単一細胞データ分析におけるファンデーションモデルのユーティリティの評価。プレプリントで バイオルハイブ https://doi.org/10.1101/2023.09.08.555192（2023）。
Kedzierska、KZ、Crawford、L.、Amini、AP＆Lu、AX Zero-Shot評価により、シングルセルファンデーションモデルの制限が明らかになります。 ゲノムバイオール。 26、101（2025）。
Zhang、H.、Cisse、M.、Dauphin、YN＆Lopez-Paz、D。混合：経験的リスク最小化を超えて。 https://arxiv.org/abs/1710.09412（2018）でのプレリント。
Siletti、K。etal。成人の人間の脳全体の細胞タイプのトランスクリプトームの多様性。 科学 382、EADD7046（2023）。
Kumar、T。etal。成人の人間の乳房の空間的に解決されたシングルセルゲノムアトラス。 自然 620、181–191（2023）。
王、SK等。ヒト網膜のシングルセルマルチームと深い学習は、複雑な眼疾患の因果変異体を指定します。 セルを通ります。 2、100164（2022）。
エルメンテイート、R。etal。ヒト腸の発達の単一細胞シーケンスは、小児期のクローン病との転写リンクを明らかにします。 開発者。細胞 55、771-783.E5（2020）。
Knight-Schrijver、Vr et al。成人と胎児のヒトエピコルディウムの単一細胞比較は、心外膜活性の年齢に関連する変化を定義します。 ナット。心臓vasc。 res。 1、1215–1229（2022）。
彼、P。etal。ヒト胎児肺細胞ATLAは、分化の近位 – 双方向勾配と上皮の運命の主要な調節因子を明らかにします。 細胞 185、4841–4860.e25（2022）。
Solé-Boldo、L。etal。人間の皮膚の単一細胞トランスクリプトームは、線維芽細胞プライミングの加齢に関連した損失を明らかにしています。 コミューン。 Biol。 3、188（2020）。
Heumos、L。etal。モダリティ全体のシングルセル分析のベストプラクティス。 ナット。牧師ジェネット。 24、550–572（2023）。
Korsunsky、I。etal。シングルセルデータとハーモニーの高速で敏感で正確な統合。 ナット。方法 16、1289–1296（2019）。
Hie、B.、Bryson、B。＆Berger、B。Scanoramaを使用した不均一な単一細胞トランスクリプトームの効率的な統合。 ナット。バイオテクノール。 37、685–691（2019）。
Polański、K。etal。 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）。
Haghverdi、L。etal。シングルセルRNAシーケンスデータのバッチ効果は、相互の最近隣人を一致させることにより修正されます。 ナット。バイオテクノール。 36、421–427（2018）。
ロペス、R。etal。単一細胞トランスクリプトミクスの深い生成モデリング。 ナット。方法 15、1053–1058（2018）。
Xu、C。etal。深い生成モデルを使用した単一細胞トランスクリプトームデータの確率的調和と注釈。 モル。 syst。 Biol。 17、E9620（2021）。
Lotfollahi、M.、Wolf、FA＆Theis、FJ Scgenは、単一細胞摂動応答を予測します。 ナット。方法 16、715–721（2019）。
De Donno、C。etal。シングルセルデータセットの母集団レベルの統合により、サンプル全体でマルチスケール分析が可能になります。 ナット。方法 20、1683–1692（2023）。
Khosla、P。et al。監視された対照学習。で 神経情報処理システムの進歩33 （eds Larogereller、H。それは古い。）18661-18673（Neurips、2020）。
Hoffer、E。＆Ailon、N。トリプレットネットワークを使用したディープメトリック学習。で 類似性ベースのパターン認識：Simbad 2015 （Eds Feragen、A。et al。）84–92（Springer、2015）。
Sikkema、L。etal。健康と病気における人間の肺の統合された細胞アトラス。 夜。と。 29、1563–1577（2023）。
Xu、C。etal。ヒト細胞アトラスデータセット間の自動セルタイプの調和と統合。 細胞 186、5876–5891.e20（2023）。
Wolf、FA、Angerer、P。＆Theis、FJ Scanpy：大規模なシングルセル遺伝子発現データ分析。 ゲノムバイオール。 19、15（2018）。
Van der Maaten、L。＆Hinton、G。T-SNEを使用したデータの視覚化。 J.マッハ。学ぶ。 res。 9、2579–2605（2008）。
Google Scholar
Becht、E。et al。 UMAPを使用して単一セルデータを視覚化するための次元削減。 ナット。バイオテクノール。 37、38–44（2019）。
Gayoso、A。etal。シングルセルOMICSデータの確率分析のためのPythonライブラリ。 ナット。バイオテクノール。 40、163–166（2022）。
Su、Y。etal。マルチオミクスは、軽度と中程度のcovid-19の間の鋭い疾患国家の変化を解決します。 細胞 183、1479–1495.e20（2020）。
Luecken、M。etal。シングルセルゲノミクスにおけるAtlasレベルのデータ統合のベンチマーク – 統合タスクデータセット。 figshare https://doi.org/10.6084/m9.figshare.12420968（2022）。
#漂流島を使用して評価された細胞埋め込みメトリックの制限