See-N-Seq: RNA sequencing of target single cells identified by microscopy via micropatterning of hydrogel porosity
Notice bibliographique
Résumé
Single cell RNA sequencing has the potential to elucidate transcriptional programs underlying key cellular phenotypes and behaviors. However, many cell phenotypes are incompatible with indiscriminate single cell sequencing because they are rare, transient, or can only be identified by imaging. Existing methods for isolating cells based on imaging for single cell sequencing are technically challenging, time-consuming, and prone to loss because of the need to physically transport single cells. Here, we developed See-N-Seq, a method to rapidly screen cells in microwell plates in order to isolate RNA from specific single cells without needing to physically extract each cell. Our approach involves encapsulating the cell sample in a micropatterned hydrogel with spatially varying porosity to selectively expose specific cells for targeted RNA extraction. Extracted RNA can then be captured, barcoded, reverse transcribed, amplified, and sequenced at high-depth. We used See-N-Seq to isolate and sequence RNA from cell-cell conjugates forming an immunological synapse between T-cells and antigen presenting cells. In the hours after synapsing, we found time-dependent bifurcation of single cell transcriptomic profiles towards Type 1 and Type 2 helper T-cells lineages. Our results demonstrate how See-N-Seq can be used to associate transcriptomic data with specific functions and behaviors in single cells.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».