在单细胞RNA测序分析框架中对细胞群的排名,使用先前的知识

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 在单细胞RNA测序 (scRNA-seq) 中排列细胞类型对于生物发现至关重要,但现有的方法有局限性.
• 传统方法包括分析细胞类型比例,差异表达的基因,或仅依赖先前的知识,这可能是不够的.

研究的目的:

• 开发和介绍一种新的方法来优先考虑和排名通过scRNA-seq分析识别的细胞类型.
• 将先前的生物学知识,包括分子机制和药物信息,与实验数据相结合,以提高细胞类型的相关性.
• 加强对特定疾病背景最相关的细胞类型的识别.

主要方法:

• 开发了一种新的方法,将先前的知识 (分子机制,药物) 与专家用户输入相结合,用于scRNA-seq数据分析.
• 根据它们的表达特征与疾病相关的分子机制和药物的对齐来排名细胞类型.
• 嵌入了疾病和控制状态之间的细胞-细胞通信网络干扰,以进一步完善细胞类型优先级.

主要成果:

• 这种新的方法有效地通过将它们的表达特征与疾病特异性的先前知识联系起来来对细胞类型进行排名.
• 该方法允许快速和自动优先考虑生物学上有意义的细胞类型.
• 细胞间通信分析进一步有助于细胞类型的排名和优先排名.

结论:

• 提出的方法在scRNA-seq分析中比传统的细胞排名技术有显著的进步.
• 它提供了一个互补的方法,以快速和自动的方式利用先前的知识.
• 该方法以R包scRANK的形式实现,可在GitHub上使用,以促进其在疾病研究中的应用.