Pitanje:
Kako se iz podataka RNASeq može procijeniti doprinos staničnoj liniji?
llrs
2017-05-30 12:30:54 UTC
view on stackexchange narkive permalink

Korištenjem mikrodesekcije laserskog hvatanja stanica sekvencirana je skupina stanica obojenih markerom od interesa. U drugoj skupini bolesnika (ovo je sve tkivo ljudske jetre) sekvencirano je cijelo tkivo (RNA-seq u oba slučaja)

Mogu li procijeniti doprinos stanica obilježenih u cijeloj jetri ("težina ove stanice "u jetri riječima mog PI-a)?

Imam osjećaj da se to ne može učiniti na ovaj način, da bi bilo potrebno i sekvenciranje pojedinih stanica i sekvencija cijelog tkiva kako bi se procijenio doprinos svaka stanična linija. No, možda postoji alat koji se s obzirom na stanične linije ili glavni izraz ostalih staničnih linija može usporediti s upotrebom GSVA ili nekim sličnim alatom.

Jeste li pogledali alate za procjenu primjesa (to je ono što radite)? Koliko precizna trebate biti procjena?
Nisam čuo za procjenu primjesa, pa nisam tražio alate s tom ključnom riječi. Nemam zahtjev za preciznošću, što više, to bolje: D. Ali sumnjam da moji podaci nisu previše dobri (imam samo 6 tehničkih primjeraka laserske mikrodisekcije) pa ne mogu očekivati ​​puno.
četiri odgovori:
#1
+6
Iakov Davydov
2017-06-01 14:01:04 UTC
view on stackexchange narkive permalink

Postoji nekoliko računalnih metoda koje to pokušavaju učiniti (nikad ih nisam koristio, pa nema iskustva):

  1. CellMix, na temelju skupova gena markera navodi
  2. Predviđanje podskupina iz korelacije obogaćivanja, koje se temelji na korelaciji sa genima specifičnim za podskupinu u nizu uzoraka.
  3. Obogaćivanje staničnog tipa, koja koristi našu visoko ekspresiranu bazu podataka o genima specifičnim za stanice
  4. Analizu značaja specifične za stanični tip koristeći diferencijalnu ekspresiju gena za svaki tip stanice
  5. ol >

    Možda ćete za neke od metoda morati dobiti neke referentne razine izraza iz javnih baza podataka ili radova.

    Treba imati na umu jedno: ne možete stvarno izračunati udio stanica, već samo udio RNA. Ako imate dobar razlog pretpostaviti da je količina RNA po stanici vrlo slična, ovo je dobar pokazatelj udjela stanica u tkivu.

Lijepe reference. To ograničenje ću imati na umu. Hvala
#2
+4
gringer
2017-06-01 17:48:19 UTC
view on stackexchange narkive permalink

Dekonvolucija stanica spominje se u ovom članku Biostars, koji spominje CIBERSORT za smjese imunoloških stanica, te paket Bioconductor DeconRNASeq.

Što se tiče Svjestan sam da je proporcionalni prikaz izraza transkripta moguće dobiti u najboljem slučaju iz standardnih visokopropusnih rezultata sekvenciranja, jer su sekvenceri i tijek pripreme uzorka dizajnirani na takav način da se izlazi isti broj čitanja bez obzira na ulazni iznos.

CIBERSORT zvuči kao lijep alat, vrijedan pokušaja.
#3
  0
Dr_Hope
2020-08-18 19:18:02 UTC
view on stackexchange narkive permalink

Možete preuzeti javne podatke o jednoćelijskim RNA-seq ili skupni RNA-seq za pročišćene primarne stanice za referencu, a zatim upotrijebiti CIBERSORT ili MuSiC za dekonvolveciju. Jedno što treba primijetiti: napraviti skupnu RNA-seq i jednoćelijsku referencu kompatibilan, TPM iz RNA-seq može se usporediti s CPM-om u 3 '(10X, Drop-seq itd.) jednoćelijskim podacima i TPM u jednoćelijskim podacima pune duljine (SMARTseq itd.)

#4
  0
Reza Rezaei
2020-08-18 21:31:11 UTC
view on stackexchange narkive permalink

Zapravo prije mjesec dana tražio sam isto pitanje i pronašao nekoliko paketa koji se mogu koristiti. Prije svega njihova funkcionalnost može biti procjena proporcije stanica, procjena ekspresije gena specifične za stanice ili obje ove funkcije. Drugo, njihov primarni ulaz, kako se očekuje, su skupni podaci RNA-seq, a neki također žele podatke o RNA-seq jednoj ćeliji kao sekundarni ulaz. Najpopularniji je dijete poznatog cybersorta, CIBERSORTX. Pregledao sam njihovu web stranicu i pročitao tutorijale. Imaju nekoliko primjera skupova podataka koji se mogu koristiti za učenje njihove platforme. Međutim, dvije najveće nedostatke bile su to što nisu podijelili svoj izvorni kod, što znači da ne možemo reproducirati rezultat na vlastitim sustavima, a sve podatke moramo prenijeti na poslužitelje Stanforda (sigurnosna pitanja!). Drugi je problem što API pristup nema njihovom poslužitelju i sve bi trebalo biti učinjeno na mreži, što znači vrlo nisku kompatibilnost s drugim alatima.

Ideja je pomoću dekonvolucije i dubokog učenja zaključiti o subpopulaciji ćelija na veliko RNA-seq, sjajna je. Pa, tražio sam jesu li i drugi učinili nešto slično, a možda i bolje. Pronašao sam još tri alata:

  1. MuSiC: https://www.nature.com/articles/s41467-018-08023-x
    Objavljeno u komunikaciji o prirodi i nekoliko mjeseci starije od cibersortxa. Još nisam proučavao njihov algoritam, pa ne mogu reći je li njihova metoda bolja od cibersortx-a ili nije. Međutim, dio koji čini razliku je taj što su sva njihova djela, uključujući izvorni kod, otvorenog koda. Dakle, mogu pristupiti njihovom kodu i ne trebamo slati svoje neobjavljene podatke na neki nesigurni mrežni poslužitelj (za razliku od cibersortx). Druga dobra stvar je što je implementiran u R jezik koji koristim za većinu svoje RNA-seq analize podataka, tako da je lako kompatibilan s drugim alatima.

  2. Scaden: https://advances.sciencemag.org/content/6/30/eaba2619.full Ovaj je također otvoren i dostupan mu je lako. Napisan je na Pythonu i radi u ljusci. Dakle, donekle je kompatibilan s drugim alatima (nije toliko kompatibilan kao MuSic). Ponovno možemo obrađivati ​​svoje podatke lokalno i ne moramo ih prenositi na bilo koji poslužitelj (što je dobro). Tvrde da njihova metoda ima bolju korelaciju sa stvarnim podacima scRNA-seq nego i cibersortx i MuSic (ne uvijek !!). Pokretanje njihovih alata čini se lako na temelju njihovih tutorijala (još ga nisam pokrenuo na svom sustavu!). Međutim, čini se da su njihovi vodiči pomalo zbunjujući i čini se da su još uvijek u predizdajnoj verziji i da imaju greške !!

  3. CDSeq: https: / /github.com/kkang7/CDSeq_R_Package Konačno, pronašao sam paket CDSeq koji ne treba nikakav unos scRNA-seq da bi pronašao proporcije pojedinačnih stanica i ekspresiju gena specifičnog za stanice u skupnim podacima. Samo dobiva vaše brojeve podataka kao ulazne podatke i informacije o vrlo malo parametara i sve radi automatski, i iznenađujuće dobro, provjerio sam! Ako uspijete pronaći obrazac ekspresije gena svojih specifičnih stanica i upotrijebite ga kao ulaz, neobavezno će vam dati još bolju procjenu.



Ova pitanja su automatski prevedena s engleskog jezika.Izvorni sadržaj dostupan je na stackexchange-u, što zahvaljujemo na cc by-sa 3.0 licenci pod kojom se distribuira.
Loading...