MétaCan
Menu
Retour à la cohorte
Enregistrement W7108692373 · doi:10.5376/cmb.2025.15.0009

Integrative Analysis of scRNA-seq and ATAC-seq for Cell Fate Determination

2025· article· W7108692373 sur OpenAlexvenueno aff

Notice bibliographique

RevueComputational Molecular Biology · 2025
Typearticle
Langue
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSingle-cell and spatial transcriptomics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésChromatinCell fate determinationEpigeneticsTranscription factorMechanism (biology)Regulation of gene expressionGene regulatory networkRegenerative medicineEpigenesis

Résumé

récupéré en direct d'OpenAlex

Single-cell RNA sequencing (scRNA-seq) and single-cell chromatin accessibility sequencing (scATAC-seq) are important technological breakthroughs in the field of life sciences in recent years, providing an unprecedented high-resolution perspective for studying the mechanism of cell fate determination. The gene expression profile of individual cells can be analyzed through scRNA-seq, revealing cellular heterogeneity and developmental trajectories. scATAC-seq can detect the chromatin open state at the single-cell level and identify potential regulatory elements and binding sites of transcription factors. The integration and analysis of scRNA-seq and scATAC-seq data can simultaneously characterize the cell state at both the transcriptional and epigenetic levels, thereby gaining an in-depth understanding of the synergistic role of transcriptional regulatory networks and chromatin dynamics in the process of cell fate determination. This study will review the principles and applications of single-cell omics technology, discuss the roles of transcription factors and chromatin accessibility in cell fate determination, and focus on introducing the key regulatory factors, cis-regulatory elements and gene regulatory networks revealed by the integrated analysis of scRNA-seq and scATAC-seq. We will also introduce methods for inferring cell fate trajectories and conducting pathway enrichment analysis using integrated data, and through cases of hematopoietic and nervous system development, illustrate how integrated analysis can reveal new insights into the process of cell differentiation. Finally, the potential clinical application value of single-cell multi-omics in areas such as tumor heterogeneity, immune cell fate, and regenerative medicine is prospected. The limitations of current technologies and analytical methods are analyzed, and the future development directions are prospected.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,662
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,295
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputational Molecular BiologyMême sujetSingle-cell and spatial transcriptomicsTravaux en français237 207