SINGLE-CELL TRANSCRIPTOME ANALYSIS IN HEALTH AND DISEASE
Notice bibliographique
Résumé
ABSTRACT: The analysis of the single-cell transcriptome has emerged as a powerful tool to gain insights on the basic mechanisms of health and disease. It is widely used to reveal the cellular diversity and complexity of tissues at cellular resolution by RNA sequencing of the whole transcriptome from a single cell. Equally, it is applied to discover an unknown, rare population of cells in the tissue. The prime advantage of single-cell transcriptome analysis is the detection of stochastic nature of gene expression of the cell in tissue. Moreover, the availability of multiple platforms for the single-cell transcriptome has broadened its approaches to using cells of different sizes and shapes, including the capture of short or full-length transcripts, which is helpful in the analysis of challenging biological samples. And with the development of numerous packages in R and Python, new directions in the computational analysis of single-cell transcriptomes can be taken to characterize healthy versus diseased tissues to obtain novel pathological insights. Downstream analysis such as differential gene expression analysis, gene ontology term analysis, Kyoto Encyclopedia of Genes and Genomes pathway analysis, cell-cell interaction analysis, and trajectory analysis has become standard practice in the workflow of single-cell transcriptome analysis to further examine the biology of different cell types. Here, we provide a broad overview of single-cell transcriptome analysis in health and disease conditions currently applied in various studies.
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 | 0,001 |
| 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 ».