单细胞ATAC-seq的计算分析和挑战
Chenfei Wang1,2, Jiaojiao Zhou3, Hong Zhang3
1Key Laboratory of Spine and Spinal Cord Injury Repair and Regeneration of Ministry of Education, Department of Orthopedics, Tongji Hospital, School of Life Science and Technology, Tongji University, Shanghai 200092, China.
Genomics, proteomics & bioinformatics
|November 21, 2025
概括
本综述涵盖了使用测序 (scATAC-seq) 分析对转化酶可访问染色体的单细胞测试的计算工作流. 它解决了数据稀疏性的挑战,并探索了新兴的人工智能和基因调节研究的空间技术.
科学领域:
- 基因组学就是基因组学.
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
- 计算生物学 计算生物学
背景情况:
- 使用测序 (scATAC-seq) 检测转化酶可访问染色质的单细胞检测对于了解细胞特异性表观遗传景观和基因调节至关重要.
- 由于每个细胞的基因组覆盖率低,scATAC-seq数据本质上存在稀疏性和缺失数据,这带来了重大的计算挑战.
研究的目的:
- 为 scATAC-seq 数据分析提供当前计算工作流程的全面概述.
- 引导研究人员选择合适的工具,并为基因调节和细胞多样性探索开发定制管道.
- 突出包括深度学习,AI基础模型和空间ATAC-seq技术在内的新兴趋势.
主要方法:
- 审查已发表的用于scATAC-seq分析的计算方法,从预处理到下游应用.
- 对 scATAC-seq 数据库和策划资源的调查.
- 讨论先进的计算方法,包括深度学习,人工智能和空间ATAC-seq.
主要成果:
- 识别scATAC-seq分析中的关键计算步骤:质量控制,对齐,峰值调用,缩小维度,聚类,基因调控评分和细胞类型注释.
- 为可访问的数据资源编目基本的scATAC-seq数据库.
- 最先进的深度学习,人工智能和空间ATAC-seq计算策略的概述.
结论:
- 对当前的scATAC-seq方法的清晰理解对于有效的数据分析至关重要.
- 该审查为研究人员提供了导航scATAC-seq.q.复杂计算格局的知识.
- 未来的方向包括利用人工智能和空间技术进行更复杂的表观遗传学分析.
