Numbat-multiome: inferring copy number variations by combining RNA and chromatin accessibility information from single-cell data
Notice bibliographique
Résumé
Aberrant alterations in genome copy number, chromatin accessibility, and transcriptional programs all play pivotal roles in cancer. The Numbat algorithm has been widely adopted to perform copy number variation (CNV) inference from single-cell RNA sequencing (scRNA-seq) data. Here, we introduce Numbat-multiome that extends the capabilities of Numbat to perform CNV inference from both scRNA-seq and accessible chromatin profiles (through single-cell Assay of Transposase [Tn5]-Accessible Chromatin sequencing [scATAC-seq] data), either separately or in an integrated manner. Our approach unifies data originating from different modalities through a binning strategy that relies on a common genomic coordinate system across modalities. We demonstrate the tool's robust performance in four running modes (RNA gene, RNA bin, ATAC bin, and Combined bin) using benchmark cohorts of tumors with dynamic changes in expression patterns and copy number heterogeneity, including early-stage multiple myeloma and Richter's syndrome arising from chronic lymphocytic leukemia, validated against whole-genome sequencing. Numbat-multiome achieves high precision and recall (median F1>0.9) across different CNV event types, with consistent performance across sample types and event lengths. The tool's ability to track clonal evolution in serial samples and identify rare subclones allows for integration of epigenomic profiles at the subclonal level, providing new insights into the stepwise genetic and epigenetic changes underlying cancer phenotypic shifts.
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 | 0,000 |
| 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 ».