sciCNV: high-throughput paired profiling of transcriptomes and DNA copy number variations at single-cell resolution
Notice bibliographique
Résumé
Chromosome copy number variations (CNVs) are a near-universal feature of cancer; however, their individual effects on cellular function are often incompletely understood. Single-cell ribonucleic acid (RNA) sequencing (scRNA-seq) might be leveraged to reveal the function of intra-clonal CNVs; however, it cannot directly link cellular gene expression to CNVs. Here, we report a high-throughput scRNA-seq analysis pipeline that provides paired CNV profiles and transcriptomes for single cells, enabling exploration of the effects of CNVs on cellular programs. RTAM1 and -2 normalization methods are described, and are shown to improve transcriptome alignment between cells, increasing the sensitivity of scRNA-seq for CNV detection. We also report single-cell inferred chromosomal copy number variation (sciCNV), a tool for inferring single-cell CNVs from scRNA-seq at 19-46 Mb resolution. Comparison of sciCNV with existing RNA-based CNV methods reveals useful advances in sensitivity and specificity. Using sciCNV, we demonstrate that scRNA-seq can be used to examine the cellular effects of cancer CNVs. As an example, sciCNV is used to identify subclonal multiple myeloma (MM) cells with +8q22-24. Studies of the gene expression of intra-clonal MM cells with and without the CNV demonstrate that +8q22-24 upregulates MYC and MYC-target genes, messenger RNA processing and protein synthesis, which is consistent with established models. In conclusion, we provide new tools for scRNA-seq that enable paired profiling of the CNVs and transcriptomes of single cells, facilitating rapid and accurate deconstruction of the effects of cancer CNVs on cellular programming.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».