单细胞双聚类用于细胞特异性转录组扰动在AD进展的检测.

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 神经科学是一个神经科学.

背景情况:

• 阿尔茨海默氏病 (AD) 的发病包括复杂的,细胞特异的基因调控变化.
• 了解这些变化需要先进的计算工具,用于单细胞RNA测序 (scRNA-seq) 和单核RNA测序 (snRNA-seq) 数据.

研究的目的:

• 引入单细胞贝叶斯双聚类 (scBC),一种用于识别细胞特异性基因网络生物标志物的新框架.
• 在AD数据集中的单细胞水平上分析功能基因模块中的扰动.
• 解决单细胞数据分析中常见的挑战,例如批量效应和脱落事件.

主要方法:

• 开发了scBC框架,利用贝叶斯双聚类来进行基因网络分析.
• 将scBC应用于阿尔茨海默病的snRNA-seq数据以识别扰乱的基因模块.
• 结合了先前的生物学知识,以提高可解释性.
• 通过使用模拟和现实数据集对最先进的双聚类方法进行scBC性能评估.

主要成果:

• scBC在AD数据中成功识别了细胞特异性基因网络生物标志物.
• 该框架揭示了在AD进展期间,在不同细胞群体的基因模块内发生的干扰.
• scBC在处理单细胞数据中固有的批量效应和学事件方面表现出强大.
• 对比分析证实了scBC与现有方法相比的精度和可靠性.

结论:

• scBC是解剖阿尔茨海默氏症等多基因疾病中复杂的基因调节机制的强大工具.
• 该框架增强了单细胞奥米克数据的生物解释性.
• scBC提供了一种强大的方法来解开疾病发病过程中复杂的基因协同表达模式.