Насколько ты хорош, scRNA-Seq?

Насколько ты хорош, scRNA-Seq?

Различные виды распределений в данных, которые использовали в работе.

источник

 

Секвенирование транскриптома одиночных клеток теперь стало доминирующей технологией для идентификации новых типов клеток и для изучения стохастической экспрессии генов. В последние годы были разработаны различные инструменты для анализа данных РНК-секвенирования одиночных клеток, многие из этих инструментов разработаны с целью выполнения анализа дифференциальной экспрессии. В этой работе, авторы статьи сравнивают четыре различных инструмента для оценки дифференциальной экспрессии РНК-секвенирования одиночных клеток, вместе с двумя популярными методами, первоначально разработанными для анализа объемных данных РНК-секвенирования, но во многом применимые и к данным  секвенирования одиночных клеток.

 

Исследователи из Университета Падуи обсуждают результаты, полученные на двух настоящих и одном синтетическом наборах данных, наряду с соображениями о перспективах анализа дифференциальной экспрессии одиночных клеток. В частности, они исследуют эффективность методов в четырех различных сценариях, имитируя унимодальные или бимодальные распределения в данных, как характеристику транскриптомных данных одиночных клеток. Авторы отмечают различия между наблюдаемыми методами с точки зрения точности и чувствительности, числа обнаруженных генов, которые дифференциально экспрессируются и общей производительности методов. Во всем мире, результаты, полученные в данном  исследовании, показывают, что трудно определить наилучший инструмент и лучший дизайн эксперимента. Необходима дальнейшая работа по улучшению методологии для анализа данных РНК-секвенирования одиночных клеток, чтобы получить более высокую точность результатов.

Ссылка на статью

все для dle
0
Добавить комментарий

Оставить комментарий