Robust segregation of donor and recipient cells from single-cell RNA-sequencing of transplant samples
Notice bibliographique
Résumé
Background: Single-cell RNA-sequencing (scRNA-seq) technology has revealed novel cell populations in organs, uncovered regulatory relationships between genes, and allowed for tracking of cell lineage trajectory during development. It demonstrates promise as a method to better understand transplant biology; however, fundamental bioinformatic tools for its use in the context of transplantation have not been developed. One major need has been a robust method to identify cells as being either donor or recipient genotype origin, and ideally without the need to separately sequence the donor and recipient. Methods: and real-world scRNA-seq transplant data, we benchmarked our method against existing demultiplexing methods to profile their limitations in terms of sequencing depth, donor and recipient cell imbalance, and single nucleotide variant input selection. Results: data, scTx could more accurately separate donor from recipient cells and at much lower genotype ratios than existing methods. This was further validated using solid-organ scRNA-seq data where scTx could more reliably identify when a second genotype was present and at lower numbers of cells from a second genotype. Conclusion: scTx introduces the capability to accurately segregate donor and recipient gene expression at the single-cell level from scRNA-seq data without the need to separately genotype the donor and recipient. This will facilitate the use of scRNA-seq in the context of transplantation.
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 | 0,000 | 0,000 |
| 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 ».