Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Comparing Mitochondrial, Chloroplast, and Prokaryotic Genomes02:16

Comparing Mitochondrial, Chloroplast, and Prokaryotic Genomes

11.5K
The present-day mitochondrial and chloroplast genomes have retained some of the characteristics of their ancestral prokaryotes and also have acquired new attributes during their evolution within eukaryotic cells. Like prokaryotic genomes, mitochondrial and chloroplast genomes neither bind with histone-like proteins nor show complex packaging into chromosome-like structures, as observed in eukaryotes. Unlike mitotic cell divisions observed in eukaryotic cells, mitochondria and chloroplasts...
11.5K
Multiple Comparison Tests01:13

Multiple Comparison Tests

3.4K
Multiple comparison test, abbreviated as MCT, is a post hoc analysis generally performed after comparing multiple samples with one or more tests. An MCT will help identify a significantly different sample among multiple samples or a factor among multiple factors.
It would be easy to compare two samples using a significance alpha level of 0.05. In other words, there is only one sample pair to be compared. However, it would be difficult to identify a significantly different sample if the number...
3.4K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

TransKla: A Local-Global Cross-Attention Based Transformer Approach for Prediction of Lysine Lactylation Sites.

Journal of chemical information and modeling·2026
Same author

DrugDL: dual-modal deep learning framework for multi-property drug prediction and targeted therapy discovery.

Bioinformatics (Oxford, England)·2026
Same author

Mamba-ACP: a Hybrid State-Space and Transformer Framework for Interpretable Anticancer Peptide Prediction.

IEEE transactions on computational biology and bioinformatics·2026
Same author

SGLEPocket: A Spatial Gating and Local Feature Enhancement Network for Protein-Ligand Binding Pocket Prediction.

Journal of chemical information and modeling·2026
Same author

Leveraging Residual Graph Convolutional Networks with Cross-Attention Mechanisms for High-Accuracy Protein Function Prediction.

Journal of chemical information and modeling·2026
Same author

iDLDDG: predicting protein stability changes from missense mutations in DNA-binding proteins using integrated deep learning features.

Briefings in bioinformatics·2026

Video Experimental Relacionado

Updated: May 1, 2026

Transcriptome Analysis of Single Cells
07:27

Transcriptome Analysis of Single Cells

Published on: April 25, 2011

30.1K

Análisis comparativo de algoritmos de agrupación de células individuales para datos transcriptómicos y proteómicos

Yu-Hang Yin1,2, Fang Wang3, Wei Li4

  • 1College of Life Science, Northeast Forestry University, Harbin, 150040, China.

Genome biology
|September 3, 2025
PubMed
Resumen

Este estudio compara 28 algoritmos para el agrupamiento de datos transcriptómicos y proteómicos de una sola célula, revelando el rendimiento específico de la modalidad y guiando la selección del método para obtener resultados óptimos en diversos escenarios de integración de omics.

Palabras clave:
Integración de característicasProteomíaAgrupación de una sola célulaLas transcripciones

Más Videos Relacionados

A Combinatorial Single-cell Approach to Characterize the Molecular and Immunophenotypic Heterogeneity of Human Stem and Progenitor Populations
09:34

A Combinatorial Single-cell Approach to Characterize the Molecular and Immunophenotypic Heterogeneity of Human Stem and Progenitor Populations

Published on: October 25, 2018

6.8K
Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues
10:12

Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues

Published on: January 10, 2019

18.7K

Videos de Experimentos Relacionados

Last Updated: May 1, 2026

Transcriptome Analysis of Single Cells
07:27

Transcriptome Analysis of Single Cells

Published on: April 25, 2011

30.1K
A Combinatorial Single-cell Approach to Characterize the Molecular and Immunophenotypic Heterogeneity of Human Stem and Progenitor Populations
09:34

A Combinatorial Single-cell Approach to Characterize the Molecular and Immunophenotypic Heterogeneity of Human Stem and Progenitor Populations

Published on: October 25, 2018

6.8K
Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues
10:12

Droplet Barcoding-Based Single Cell Transcriptomics of Adult Mammalian Tissues

Published on: January 10, 2019

18.7K

Área de la Ciencia:

  • Biología computacional
  • Análisis multiómico de célula única
  • La bioinformática

Sus antecedentes:

  • El agrupamiento de datos de una sola célula es un desafío debido a las variaciones en la distribución, dimensionalidad y calidad de los datos a través de diferentes modalidades ómicas.
  • Los algoritmos de agrupación existentes se desarrollan principalmente para tipos específicos de ómicos (por ejemplo, transcriptómica, proteómica), con una comprensión limitada de su rendimiento intermodal y capacidades de integración.

Objetivo del estudio:

  • Evaluar sistemáticamente el rendimiento de los algoritmos de agrupación computacional en los datos transcriptómicos y proteómicos de una sola célula.
  • Evaluar el impacto de factores como los genes altamente variables (HVGs) y la granularidad del tipo de célula en los resultados de agrupación.
  • Evaluar los beneficios de la integración de datos multiómicos para mejorar la agrupación y orientar la selección de métodos.

Principales métodos:

  • Análisis comparativo de 28 algoritmos computacionales en 10 conjuntos de datos transcriptómicos y proteómicos de una sola célula emparejados.
  • Evaluación del rendimiento del algoritmo utilizando métricas para la precisión de agrupación, el uso máximo de memoria y el tiempo de ejecución.
  • Evaluación de la solidez del método utilizando 30 conjuntos de datos simulados y análisis de datos multiómicos integrados de 7 métodos de integración.

Principales resultados:

  • Identificación de las fortalezas y limitaciones específicas de las distintas modalidades de los algoritmos de agrupación.
  • Demostró el carácter complementario de los diferentes métodos y destacó el impacto de los HVG y la granularidad del tipo de célula.
  • Mostró el rendimiento del agrupamiento en datos transcriptómicos y proteómicos integrados, revelando mejoras potenciales.

Conclusiones:

  • Información útil para seleccionar métodos de agrupación adecuados basados en escenarios específicos de datos multicelulares y prioridades de los usuarios (por ejemplo, rendimiento, memoria, eficiencia del tiempo).
  • Se recomienda scAIDE, scDCC y FlowSOM para el mejor rendimiento en ambos tópicos; FlowSOM destacado por su robustez.
  • Se sugiere scDCC y scDeepCluster para la eficiencia de la memoria, TSCAN, SHARP y MarkovHC para la eficiencia del tiempo, y métodos de detección de la comunidad para un equilibrio.