Single-Cell Sequencing: An Emerging Tool for Biomarker Development in Nuclear Emergencies and Radiation Oncology
Notice bibliographique
Résumé
Next-generation sequencing (NGS) has been well applied to assess genetic abnormalities in various biological samples to investigate disease mechanisms. With the advent of high-throughput and automatic testing platforms, NGS can identify radiation-sensitive and dose-responsive biomarkers, contributing to triage patients and determining risk groups for treatment in a nuclear emergency. While bulk NGS provides a snapshot of the average gene expression or genomic changes within a group of cells after the radiation, it cannot provide information on individual cells within the population. On the other hand, single-cell sequencing involves isolating individual cells and sequencing the genetic material from each cell separately. This approach allows for the identification of gene expression and genomic changes in individual cells, providing a high-resolution view of cellular diversity and heterogeneity within a sample. Single-cell sequencing is particularly useful to identify cell-specific features of dose-response and organ-response genes. While single-cell RNA sequencing (scRNA-seq) technology is still emerging in radiation research, it holds significant promise for identifying biomarkers related to radiation exposure and tailoring post-radiation medical care. This review aims to focus on current methods of radiation dosimetry and recently identified biomarkers associated with radiation exposure. Additionally, it addresses the development of NGS techniques in the context of radiation situations, such as cancer treatment and emergency events, with a particular emphasis on single-cell sequencing technology.
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) | 0,001 | 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 ».