High-resolution RNA isoform variation analysis by combining the advantages of single-cell RNA and nanopore sequencing
Notice bibliographique
Résumé
Endothelial cell (EC) heterogeneity medical research was restricted by limited human sample diversity and in vivo methods, and bulk RNA tissue-level analysis results usually depend on most cell types. The pig is a commonly used biomedical model for human diseases and xenotransplantation due to the close physiological and genetic resemblance and the similarity in the organ size. We combined the advantages of single-cell mRNA barcoding 10X Genomics technology with nanopore long reads sequence to identify novel isoforms and establish the RNA isoform atlas of Sus scrofa domestica. The Spearman’s rank correlation coefficient between the next-generation sequence and cleaned-up full-length cDNA reads each barcode is 0.86 [0.79-0.94]. Statistical tests of the ECs in the brain, adipose, liver and retina to discover hundreds of different transcript usage (DTU) genesets on a pseudo-bulk level. Although more accurate transcriptome quantification, it’s difficult to find tissue-specific gene markers of endothelial cells in subcutaneous adipose and visceral adipose, compared with T cells and macrophages. Adiposes are also peripheral organs with the nervous system and immune cells. There are distinguish DTU genesets among different adipocyte functions. Several cell surface marker genes present highly heterogeneous DTU across different cell types.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».