Argelaguet, R. et al. Multi-Omics-Profilierung der Gastrulation von Mäusen mit Einzelzellauflösung. Natur 576487–491 (2019).
Chiou, J. et al. Interpretation des Typ-1-Diabetesrisikos mit Genetik und Einzelzell-Epigenomik. Natur 594398–402 (2021).
Pijuan-Sala, B. et al. Eine molekulare Einzelzellkarte der Gastrulation und frühen Organogenese von Mäusen. Natur 566490–495 (2019).
Tran, HTN et al. Ein Benchmark für Batch-Effekt-Korrekturmethoden für Einzelzell-RNA-Sequenzierungsdaten. Genombiol. 2112 (2020).
Amezquita, RA et al. Orchestrierung der Einzelzellanalyse mit Bioconductor. Nat. Methoden 17137–145 (2020).
Ming, J. et al. FIRM: Flexible Integration von Einzelzell-RNA-Sequenzierungsdaten für umfangreiche Multigewebe-Zellatlas-Datensätze. Knapp. Bioinform. 23bbac167 (2022).
Lücken, MD et al. Benchmarking der Datenintegration auf Atlasebene in der Einzelzellgenomik. Nat. Methoden 1941–50 (2022).
Zheng, GX et al. Massiv paralleles digitales Transkriptionsprofiling einzelner Zellen. Nat. Gemeinsam. 814049 (2017).
10x Genomik. 8.000 PBMCs von einem gesunden Spender, Einzelzell-Genexpressionsdatensatz von Cell Ranger 2.1.0. https://www.10xgenomics.com/resources/datasets/8-k-pbm-cs-from-a-healthy-donor-2-standard-2-1-0 (2017).
Cao, J. et al. Die Einzelzell-Transkriptionslandschaft der Organogenese von Säugetieren. Natur 566496–502 (2019).
Abdelaal, T. et al. Ein Vergleich automatischer Zellidentifizierungsmethoden für Einzelzell-RNA-Sequenzierungsdaten. Genombiol. 20194 (2019).
Clarke, ZA et al. Tutorial: Richtlinien für die Annotation von Einzelzell-Transkriptomkarten mit automatisierten und manuellen Methoden. Nat. Protokoll. 162749–2764 (2021).
Saelens, W., Cannoodt, R., Todorov, H. & Saeys, Y. Ein Vergleich von Einzelzell-Trajektorien-Inferenzmethoden. Nat. Biotechnologie. 37547–554 (2019).
Ding, J. et al. Systematischer Vergleich von Einzelzell- und Einzelkern-RNA-Sequenzierungsmethoden. Nat. Biotechnologie. 38737–746 (2020).
Vladoiu, MC et al. Kleinhirntumoren im Kindesalter spiegeln konservierte fetale Transkriptionsprogramme wider. Natur 57267–73 (2019).
Peng, J. et al. Einzelzell-RNA-Seq zeigt intratumorale Heterogenität und malignes Fortschreiten beim duktalen Adenokarzinom des Pankreas. Zellauflösung 29725–738 (2019).
Polański, K. et al. BBKNN: Schnelles Batch-Alignment einzelner Zelltranskriptome. Bioinformatik 36964–965 (2020).
Korsunsky, I. et al. Schnelle, sensible und genaue Integration von Einzelzellendaten mit Harmony. Nat. Methoden 161289–1296 (2019).
Hie, B., Bryson, B. & Berger, B. Effiziente Integration heterogener Einzelzell-Transkriptome mithilfe von Scanorama. Nat. Biotechnologie. 37685–691 (2019).
Lopez, R., Regier, J., Cole, MB, Jordan, MI & Yosef, N. Tiefgreifende generative Modellierung für die Einzelzell-Transkriptomik. Nat. Methoden 151053–1058 (2018).
Stuart, T. et al. Umfassende Integration von Einzelzellendaten. Zelle 1771888–1902 (2019).
Buitinck, L. et al. API-Design für Software für maschinelles Lernen: Erfahrungen aus dem Scikit-Learn-Projekt. Vorabdruck unter https://doi.org/10.48550/arXiv.1309.0238 (2013).
Goutte, C. & Gaussier, E. Eine probabilistische Interpretation von Präzision, Rückruf und F-Score, mit Auswirkungen auf die Bewertung. In Fortschritte beim Informationsabruf 345–359. https://doi.org/10.1007/978-3-540-31865-1_25 (Springer, 2005).
Lücken, MD & Theis, FJ Aktuelle Best Practices in der Einzelzell-RNA-Seq-Analyse: ein Tutorial. Mol. Syst. Biol. 15e8746 (2019).
Hao, Y. et al. Integrierte Analyse multimodaler Einzelzelldaten. Zelle 1843573–3587 (2021).
Svensson, V., da Veiga Beltrame, E. & Pachter, L. Eine kuratierte Datenbank enthüllt Trends in der Einzelzell-Transkriptomik. Datenbank (Oxford) 2020baaa073 (2020).
Dohmen, J. et al. Identifizierung von Tumorzellen auf Einzelzellebene mittels maschinellem Lernen. Genombiol. 23123 (2022).
Trinh, MK et al. Präzise Identifizierung von Krebszellen anhand allelischer Ungleichgewichte in Einzelzell-Transkriptomen. Komm. Biol. 5884 (2022).
Xu, Y., Liu, J., Nipper, M. & Wang, P. Duktal vs. Acinar? Aktuelle Erkenntnisse zur Identifizierung der Zelllinie des duktalen Adenokarzinoms der Bauchspeicheldrüse. Ann. Bauchspeicheldrüse. Krebs 211 (2019).
Backx, E. et al. Zur Entstehung von Bauchspeicheldrüsenkrebs: Molekulare Tumorsubtypen im Hinblick auf die Plastizität exokriner Zellen. Zellmol. Gastroenterol. Hepatol. 131243–1253 (2022).
Hubert, L. & Allemand, P. Vergleich von Partitionen. J. Classif. 2193–218 (1985).
Vinh, NX, Epps, J. & Bailey, J. Informationstheoretische Maße für den Clustering-Vergleich: Varianten, Eigenschaften, Normalisierung und Zufallskorrektur. J. Mach. Lernen. Res. 112837–2854 (2010).
Argelaguet, R., Cuomo, AS, Stegle, O. & Marioni, JC Computerprinzipien und Herausforderungen bei der Integration von Einzelzellendaten. Nat. Biotechnologie. 391202–1215 (2021).
Ogbeide, S., Giannese, F., Mincarelli, L. & Macaulay, IC Ins Multiversum: Fortschritte bei der Einzelzellen-Multiom-Profilierung. Trends Genet. 38831–843 (2022).
Andreatta, M. & Carmona, SJ STACAS: Subtyp-Ankerkorrektur für die Ausrichtung in Seurat zur Integration von Einzelzell-RNA-seq-Daten. Bioinformatik 37882–884 (2021).
Johansen, N. & Quon, G. ScAlign: ein Tool zur Ausrichtung, Integration und Identifizierung seltener Zellen aus scRNA-seq-Daten. Genombiol. 20166 (2019).
Hu, Z., Ahmed, AA & Yau, C. CIDER: ein interpretierbares Meta-Clustering-Framework für die Integration und Auswertung von Einzelzell-RNA-seq-Daten. Genombiol. 22337 (2021).
Demetçi, P., Santorella, R., Sandstede, B. & Singh, R. Unbeaufsichtigte Integration von Einzelzellen-Multi-Omics-Datensätzen mit unverhältnismäßiger Zelltypdarstellung. Vorabdruck unter bioRxiv https://doi.org/10.1101/2021.11.09.467903 (2022).
Wolf, FA, Angerer, P. & Theis, FJ SCANPY: groß angelegte Einzelzell-Genexpressionsdatenanalyse. Genombiol. 1915 (2018).
McGinnis, CS, Murrow, LM & Gartner, ZJ DoubletFinder: Dubletterkennung in Einzelzell-RNA-Sequenzierungsdaten unter Verwendung künstlicher nächster Nachbarn. Zellsystem 8329–337 (2019).
Google Scholar
Aran, D. et al. Eine referenzbasierte Analyse der Lungeneinzelzellsequenzierung zeigt einen vorübergehenden profibrotischen Makrophagen. Nat. Immunol. 20163–172 (2019).
Chijimatsu, R. et al. Erstellung eines Referenz-Einzelzell-RNA-Sequenzierungsdatensatzes für humanes Pankreas-Adenokarzinom. iScience 25104659 (2022).
Tickle, T., Tirosh, I., Georgescu, C., Brown, M. & Haas, B. Ableitung der Variation der Kopienzahl aus Einzelzell-RNA-seq-Daten. https://doi.org/doi:10.18129/B9.bioc.infercnv (2019).
Steele, NG et al. Multimodale Kartierung der Tumor- und peripheren Blutimmunlandschaft bei menschlichem Bauchspeicheldrüsenkrebs. Nat. Krebs 11097–1112 (2020).
Chen, K. et al. Immunprofilierung und Prognosemodell von Bauchspeicheldrüsenkrebs unter Verwendung quantitativer Pathologie und Einzelzell-RNA-Sequenzierung. J. Übers. Med. 21210 (2023).
Welch, JD et al. Die Single-Cell-Multi-Omic-Integration vergleicht und kontrastiert Merkmale der Identität von Gehirnzellen. Zelle 1771873–1887 (2019).
McInnes, L., Healy, J. & Melville, J. UMAP: Einheitliche Mannigfaltigkeitsnäherung und Projektion zur Dimensionsreduktion. Vorabdruck unter https://doi.org/10.48550/arXiv.1802.03426 (2018).
Traag, VA, Waltman, L. & van Eck, NJ Von Löwen nach Leiden: Gewährleistung gut vernetzter Gemeinden. Wissenschaft. Rep. 95233 (2019).
Wolf, FA et al. PAGA: Die Graphabstraktion bringt Clustering mit Trajektorieninferenz durch eine topologieerhaltende Karte einzelner Zellen in Einklang. Genombiol. 2059 (2019).
Haghverdi, L., Büttner, M., Wolf, FA, Buettner, F. & Theis, FJ Diffusions-Pseudozeit rekonstruiert zuverlässig die Abstammungsverzweigung. Nat. Methoden 13845–848 (2016).
Winer, BJ, Brown, DR & Michels, KM Statistische Prinzipien im experimentellen Design 3. Auflage (McGraw-Hill, 1991).
Rosenberg, A. & Hirschberg, J. V-Measure: ein auf bedingter Entropie basierendes externes Clusterbewertungsmaß. Proz. der 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning 410–420 (Vereinigung für Computerlinguistik, 2007).
