More is better: A simple antibody-based strategy for recovering all major mouse brain cell types from multiplexed single-cell RNAseq samples
Notice bibliographique
Résumé
ABSTRACT Single-cell RNA sequencing (scRNAseq) is a powerful yet costly technique for studying cellular diversity within the complexity of organs and tissues. Here, we sought to establish an effective multiplexing strategy for the adult mouse brain that could allow multiple experimental groups to be pooled into a single sample for sequencing, reducing costs, increasing data yield, and eliminating batch effects. We first describe an optimized cold temperature single-cell dissociation protocol that permits isolation of a high yield and viability of brain cells from the adult mouse. Cells isolated using this protocol were then screened by flow cytometry using a panel of antibodies, allowing identification of a single antibody, anti-Thy1.2, that can tag the vast majority of isolated mouse brain cells. We then used this primary antibody against a “universal” neural target, together with secondary antibodies carrying sample-specific oligonucleotides and the BD Rhapsody single-cell system and show that multiple adult mouse brain samples can be pooled into a single multiplexed run for scRNAseq. Bioinformatic analyses enable efficient demultiplexing of the sequenced pooled brain sample, with high tagging efficiency and precise annotation and clustering of brain cell populations. The efficiency and flexibility of the cell dissociation protocol and the two-step multiplexing strategy simplifies experimental design, optimizes reagent usage, eliminates sequencing batch effects and reduces overall experimental costs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».