Integrative Analyses of scRNA-seq, Bulk mRNA-seq, and DNA Methylation Profiling in Depressed Suicide Brain Tissues
Notice bibliographique
Résumé
BACKGROUND: Suicidal behaviors have become a serious public health concern globally due to the economic and human cost of suicidal behavior to individuals, families, communities, and society. However, the underlying etiology and biological mechanism of suicidal behavior remains poorly understood. METHODS: We collected different single omic data, including single-cell RNA sequencing (scRNA-seq), bulk mRNA-seq, DNA methylation microarrays from the cortex of Major Depressive Disorder (MDD) in suicide subjects' studies, as well as fluoxetine-treated rats brains. We matched subject IDs that overlapped between the transcriptome dataset and the methylation dataset. The differential expression genes and differentially methylated regions were calculated with a 2-group comparison analysis. Cross-omics analysis was performed to calculate the correlation between the methylated and transcript levels of differentially methylated CpG sites and mapped transcripts. Additionally, we performed a deconvolution analysis for bulk mRNA-seq and DNA methylation profiling with scRNA-seq as the reference profiles. RESULTS: Difference in cell type proportions among 7 cell types. Meanwhile, our analysis of single-cell sequence from the antidepressant-treated rats found that drug-specific differential expression genes were enriched into biological pathways, including ion channels and glutamatergic receptors. CONCLUSIONS: This study identified some important dysregulated genes influenced by DNA methylation in 2 brain regions of depression and suicide patients. Interestingly, we found that oligodendrocyte precursor cells (OPCs) have the most contributors for cell-type proportions related to differential expression genes and methylated sites in suicidal behavior.
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 | 0,001 | 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 ».