Single Cell Sequencing and Kidney Organoids Generated from Pluripotent Stem Cells
Notice bibliographique
Résumé
Methods to differentiate human pluripotent stem cells into kidney organoids were first introduced about 5 years ago, and since that time, the field has grown substantially. Protocols are producing increasingly complex three-dimensional structures, have been used to model human kidney disease, and have been adapted for high-throughput screening. Over this same time frame, technologies for massively parallel, single-cell RNA sequencing (scRNA-seq) have matured. Now, both of these powerful approaches are being combined to better understand how kidney organoids can be applied to the understanding of kidney development and disease. There are several reasons why this is a synergistic combination. Kidney organoids are complicated and contain many different cell types of variable maturity. scRNA-seq is an unbiased technology that can comprehensively categorize cell types, making it ideally suited to catalog all cell types present in organoids. These same characteristics also make scRNA-seq a powerful approach for quantitative comparisons between protocols, batches, and pluripotent cell lines as it becomes clear that reproducibility and quality can vary across all three variables. Lineage trajectories can be reconstructed using scRNA-seq data, enabling the rational adjustment of differentiation strategies to promote maturation of desired kidney cell types or inhibit differentiation of undesired off-target cell types. Here, we review the ways that scRNA-seq has been successfully applied in the organoid field and predict future applications for this powerful technique. We also review other developing single-cell technologies and discuss how they may be combined, using "multiomic" approaches, to improve our understanding of kidney organoid differentiation and usefulness in modeling development, disease, and toxicity testing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».