Transcriptómica espacial súper resuelta mediante fusión profunda de datos

  • 1.

    Ke, R. y col. Secuenciación in situ para análisis de ARN en células y tejidos conservados. Nat. Métodos 10, 857–860 (2013).

    CASO
    Artículo

    Google Académico

  • 2.

    Lee, JH y col. Secuenciación in situ de ARN subcelular altamente multiplexado. Ciencias 343, 1360-1363 (2014).

    CASO
    Artículo

    Google Académico

  • 3.

    Femino, AM Visualización de transcripciones de ARN único in situ. Ciencias 280, 585-590 (1998).

    CASO
    Artículo

    Google Académico

  • 4.

    Chen, KH, Boettiger, AN, Moffitt, JR, Wang, S. y Zhuang, X. Perfilado de ARN altamente multiplexado y resuelto espacialmente en células individuales. Ciencias 348, aaa6090 (2015).

    Artículo

    Google Académico

  • 5.

    Eng, C.-HL y col. Imágenes superesueltas a escala de transcriptoma en tejidos mediante ARN seqFISH +. Naturaleza 568, 235–239 ​​(2019).

    CASO
    Artículo

    Google Académico

  • 6.

    Ståhl, PL y col. Visualización y análisis de la expresión génica en secciones de tejido mediante transcriptómica espacial. Ciencias 353, 78–82 (2016).

    Artículo

    Google Académico

  • 7.

    Rodriques, SG y col. Slide-seq: una tecnología escalable para medir la expresión de todo el genoma con alta resolución espacial. Ciencias 363, 1463–1467 (2019).

    CASO
    Artículo

    Google Académico

  • 8.

    Vickovic, S. et al. Transcriptómica espacial de alta definición para la elaboración de perfiles de tejidos in situ. Nat. Métodos dieciséis, 987–990 (2019).

    CASO
    Artículo

    Google Académico

  • 9.

    Kingma, DP & Welling, M. Bayes variacional de codificación automática. En 2do Congreso Internacional sobre Representaciones del Aprendizaje (eds Bengio, Y. & LeCun, Y.) http://arxiv.org/abs/1312.6114 (2014).

  • 10.

    Rezende, DJ, Mohamed, S. & Wierstra, D. Retropropagación estocástica e inferencia aproximada en modelos generativos profundos. En Actas de la 31a Conferencia Internacional sobre Aprendizaje Automático http://proceedings.mlr.press/v32/rezende14.html (2014).

  • 11.

    Lein, ES y col. Atlas de expresión génica de todo el genoma en el cerebro de un ratón adulto. Naturaleza 445168-176 (2006).

    Artículo

    Google Académico

  • 12.

    Uhlen, M. y col. Mapa basado en tejidos del proteoma humano. Ciencias 347, 1260419 (2015).

    Artículo

    Google Académico

  • 13.

    Tepe, B. et al. La secuencia de ARN unicelular del bulbo olfatorio de ratón revela la heterogeneidad celular y el censo molecular dependiente de la actividad de las neuronas adultas. Rep. Celular 25, 2689–2703 (2018).

    Artículo

    Google Académico

  • 14.

    Butler, A., Hoffman, P., Smibert, P., Papalexi, E. y Satija, R. Integración de datos transcriptómicos unicelulares en diferentes condiciones, tecnologías y especies. Nat. Biotechnol. 36, 411–420 (2018).

    CASO
    Artículo

    Google Académico

  • 15.

    Bulla, R. y col. C1q actúa en el microambiente tumoral como factor promotor del cáncer independientemente de la activación del complemento. Nat. Común. 7, 10346 (2016).

    CASO
    Artículo

    Google Académico

  • dieciséis.

    Metodieva, G. et al. Desregulación dependiente de CD74 del garabato supresor de tumores en células epiteliales humanas y de cáncer de mama. Neoplasia 15, 660–668 (2013).

    CASO
    Artículo

    Google Académico

  • 17.

    Love, MI, Huber, W. & Anders, S. Estimación moderada del cambio de veces y la dispersión para los datos de RNA-seq con DESeq2. Genome Biol. 15550 (2014).

    Artículo

    Google Académico

  • 18.

    Blei, DM, Kucukelbir, A. y McAuliffe, JD Inferencia variacional: una revisión para estadísticos. Mermelada. Stat. Assoc.112, 859–877 (2017).

  • 19.

    Lopez, R., Regier, J., Cole, MB, Jordan, MI & Yosef, N.Modelado generativo profundo para transcriptómica unicelular. Nat. Métodos 15, 1053-1058 (2018).

    CASO
    Artículo

    Google Académico

  • 20.

    Eraslan, G., Simon, LM, Mircea, M., Mueller, NS & Theis, FJ Eliminación de ruido de secuencia de ARN de una sola célula utilizando un codificador automático de conteo profundo. Nat. Común. 10, 390 (2019).

  • 21.

    Kingma, DP & Ba, J. Adam: un método de optimización estocástica. En 3er Congreso Internacional sobre Representaciones del Aprendizaje (eds Bengio, Y. & LeCun, Y.) http://arxiv.org/abs/1412.6980 (2015).

  • 22.

    Ronneberger, O., Fischer, P. y Brox, T. U-Net: Redes convolucionales para la segmentación de imágenes biomédicas 234–241. (Springer, 2015).

  • 23.

    Gardner, JR, Pleiss, G., Bindel, D., Weinberger, KQ & Wilson, AG GPyTorch: inferencia del proceso gaussiano matriz-matriz de caja negra con aceleración de GPU. En Actas de la 32a Conferencia Internacional sobre Sistemas de Procesamiento de Información Neural (Curran Associates, 2018).

  • 24.

    Wu, SZ y col. Un atlas unicelular y resuelto espacialmente de cánceres de mama humanos. Nat. Genética 53, 1334-1347 (2021).

    CASO
    Artículo

    Google Académico

  • 25.

    Ji, AL y col. Análisis multimodal de composición y arquitectura espacial en carcinoma de células escamosas humano. Celda 182, 497–514 (2020).

    Artículo

    Google Académico

  • 26.

    Macenko, M. y col. Un método para normalizar los portaobjetos de histología para el análisis cuantitativo. Simposio internacional de IEEE 2009 sobre imágenes biomédicas: de lo nano a lo macro https://ieeexplore.ieee.org/document/51932500.1109/ISBI.2009.5193250 (2009).

  • 27.

    Svensson, V., Teichmann, SA y Stegle, O. SpatialDE: identificación de genes espacialmente variables. Nat. Métodos 15, 343–346 (2018).

    CASO
    Artículo

    Google Académico

  • 28.

    Sun, S., Zhu, J. y Zhou, X. Análisis estadístico de patrones de expresión espacial para estudios transcriptómicos resueltos espacialmente. Nat. Métodos 17, 193-200 (2020).

    CASO
    Artículo

    Google Académico

  • 29.

    Nitzan, M., Karaiskos, N., Friedman, N. y Rajewsky, N. Cartografía de expresión génica. Naturaleza 576, 132-137 (2019).

    CASO
    Artículo

    Google Académico

  • 30.

    Achim, K. y col. Mapeo espacial de alto rendimiento de datos de secuencia de ARN de una sola célula al tejido de origen. Nat. Biotechnol. 33, 503–509 (2015).

    CASO
    Artículo

    Google Académico

  • 31.

    Satija, R., Farrell, JA, Gennert, D., Schier, AF & Regev, A. Reconstrucción espacial de datos de expresión génica unicelular. Nat. Biotechnol. 33, 495–502 (2015).

    CASO
    Artículo

    Google Académico

  • 32.

    Qian, X. y col. La tipificación celular probabilística permite el mapeo fino de tipos celulares estrechamente relacionados in situ. Nat. Métodos 17, 101–106 (2019).

    Artículo

    Google Académico

  • 33.

    Lopez, R. et al. Un modelo conjunto de datos no apareados de scRNA-seq y transcriptómica espacial para imputar medidas de expresión génica faltantes. En Taller ICML sobre biología computacional (2019).

  • 34.

    Cable, DM y col. Descomposición robusta de mezclas de tipos de células en transcriptómica espacial. Nat. Biotecnología. https://doi.org/10.1038/s41587-021-00830-w (2021).

  • 35.

    Andersson, A. et al. La transcriptómica unicelular y espacial permite la inferencia probabilística de la topografía del tipo de célula. Comun. Biol. 3, 565 (2020).

    Artículo

    Google Académico

  • 36.

    Elosua-Bayes, M., Nieto, P., Mereu, E., Gut, I. & Heyn, H. Spotlight: regresión Nmf sembrada para deconvolucionar puntos transcriptómicos espaciales con transcriptomas unicelulares. Ácidos nucleicos Res. 49, e50 (2021).

    CASO
    Artículo

    Google Académico

  • 37.

    Stickels, RR y col. Transcriptómica espacial de alta sensibilidad a una resolución casi celular con Slide-seqV2. Nat. Biotechnol. 39, 313–319 (2020).

    Artículo

    Google Académico

  • 38.

    Liu, Y. et al. Secuenciación multiómica de alta resolución espacial a través de códigos de barras deterministas en el tejido. Celda 183, 1665-1681 (2020).

    Google Académico

  • 39.

    Paszke, A. et al. PyTorch: una biblioteca de aprendizaje profundo de alto rendimiento y estilo imperativo. En Avances en los sistemas de procesamiento de información neuronal 32 (eds Wallach, H. et al.) 8024–8035 http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf (Curran Associates, 2019).

  • 40.

    Bingham, E. y col. Pyro: programación probabilística universal profunda. J. Mach. Aprender. Res. 20, 1-6 (2019).

    Google Académico