Tang, F. et al. Einzelzell-mRNA-seq-vollständige Transkriptomanalyse. Nat. Methoden 6377–382 (2009).
Akademisches Google
Cao, J. et al. Die Einzelzell-Transkriptionslandschaft der Organogenese von Säugetieren. Natur 566496–502 (2019).
Akademisches Google
Buenrostro, JD et al. Die Zugänglichkeit von Einzelzellchromatin offenbart Prinzipien der regulatorischen Variation. Natur 523486–490 (2015).
Akademisches Google
Cusanovich, D.A. et al. Einzelzell-Multiplexprofile der Chromatinzugänglichkeit durch kombinatorische Zellindizierung. Wissenschaft 348910–914 (2015).
Akademisches Google
Karemaker, ID & Vermeulen, M. Einzelzell-DNA-Methylierungsprofilierung: biologische Technologien und Anwendungen. Trends in der Biotechnologie. 36952–965 (2018).
Akademisches Google
Bendall, SC et al. Einzelzell-Massenzytometrie unterschiedlicher Immun- und pharmakologischer Reaktionen entlang eines menschlichen hämatopoetischen Kontinuums. Wissenschaft 332687–696 (2011).
Akademisches Google
Chen, S., Lake, BB und Zhang, K. Hochdurchsatzsequenzierung des Transkriptoms und der Chromatinzugänglichkeit in derselben Zelle. Nat. Biotechnologie. 371452–1457 (2019).
Akademisches Google
Stoeckius, M. et al. Gleichzeitige Messung von Epitopen und Transkriptomen in einzelnen Zellen. Nat. Methoden 14865–868 (2017).
Akademisches Google
Rao, N., Clark, S. und Habern, O. Brücke zwischen Genomik und Gewebepathologie: 10x Genomics erkundet mit der räumlichen Genexpressionslösung von Visium neue Grenzen. Genet. Eng. Biotechnologie. Nachricht 4050–51 (2020).
Akademisches Google
Rodriques, SG et al. Slide-seq: eine skalierbare Technologie zur Messung der gesamten Genomexpression mit hoher räumlicher Auflösung. Wissenschaft 3631463–1467 (2019).
Akademisches Google
Stickels, RR et al. Hochempfindliche räumliche Transkription mit nahezu zellulärer Auflösung mit Slide-seqV2. Nat. Biotechnologie. 39313–319 (2021).
Akademisches Google
Moffitt, JR et al. Molekulare, räumliche und funktionelle Einzelzellprofile der präoptischen Region des Hypothalamus. Wissenschaft 362eaau5324 (2018).
Akademisches Google
Efremova, M. & Teichmann, SA Berechnungsmethoden für Einzelzell-Omics über Modalitäten hinweg. Nat. Methoden 1714–17 (2020).
Akademisches Google
Cao, Y., Yang, P. & Yang, JYH Eine Benchmark-Studie zu Simulationsmethoden für Einzelzell-RNA-Sequenzierungsdaten. gemeinsame nat. 126911 (2021).
Crowell, HL, Morillo Leonardo, SX, Soneson, C. & Robinson, MD Die wackeligen Grundlagen der Simulation von Einzelzell-RNA-Sequenzierungsdaten. Biol-Genom. 2462 (2023).
Sun, T., Song, D., Li, WV & Li, JJ scDesign2: Ein transparenter Simulator, der hochgenaue Einzelzell-Genexpressionszähldaten mit erfassten Genkorrelationen generiert. Biol-Genom. 22163 (2021).
Risso, D., Perraudeau, F., Gribkova, S., Dudoit, S. & Vert, J.-P. Eine allgemeine und flexible Methode zur Signalextraktion aus Einzelzell-RNA-seq-Daten. gemeinsame nat. 9284 (2018).
Crowell, HL et al. Muscat erkennt subpopulationsspezifische Zustandsübergänge anhand transkriptomischer Daten einzelner Zellen aus mehreren Proben und mehreren Bedingungen. gemeinsame nat. elf6077 (2020).
Cannoodt, R., Saelens, W., Deconinck, L. und Saeys, Y. leiten zukünftige Omics-Analysen mit Dyngen, einem multimodalen Einzelzellsimulator. gemeinsame nat. 123942 (2021).
Dibaeinia, P. & Sinha, S. Sergio: ein Simulator der Einzelzellexpression, gesteuert durch Genregulationsnetzwerke. Zellsystem elf252–271 (2020).
Akademisches Google
Papadopoulos, N., Gonzalo, PR & Söding, J. Prosstt: Probabilistische Simulation von Einzelzell-RNA-seq-Daten für komplexe Differenzierungsprozesse. Bioinformatik 353517–3519 (2019).
Akademisches Google
Tian, J., Wang, J. & Roeder, K. Esco: Einzelzell-Expressionssimulation unter Einbeziehung der Gen-Koexpression. Bioinformatik 372374–2381 (2021).
Akademisches Google
Navidi, Z., Zhang, L. und Wang, B. simATAC: ein Einzelzellen-ATAC-seq-Simulationsframework. Biol-Genom. 2274 (2021).
Li, WV und Li, JJ Ein scDesign-Statistiksimulator für rationales experimentelles Design von scRNA-seq. Bioinformatik 35i41–i50 (2019).
Akademisches Google
Korsunsky, I. et al. Schnelle, reaktionsschnelle und genaue Integration einzelner Zelldaten mit Harmony. Nat. Methoden sechzehn1289–1296 (2019).
Akademisches Google
Marouf, M. et al. Realistische In-silico-Generierung und Erweiterung von Einzelzell-RNA-Seq-Daten mithilfe generativer gegnerischer Netzwerke. gemeinsame nat. elf166 (2020).
Ma, Y. & Zhou, X. Räumlich informierte Zelltyp-Entfaltung für die räumliche Transkriptomik. Nat. Biotechnologie. 401349–1359 (2022).
Kabel, DM et al. Robuste Zerlegung von Mischungen von Zelltypen in der räumlichen Transkriptomik. Nat. Biotechnologie. 40517–526 (2022).
Akademisches Google
Elosua-Bayes, M., Nieto, P., Mereu, E., Gut, I. & Heyn, H. SPOTlight: gesäte NMF-Regression zur Entfaltung räumlicher Transkriptompunkte mit Einzelzell-Transkriptomen. Nukleinsäuren Res. 49e50 (2021).
Akademisches Google
Yan, G. & Li, JJ scReadSim: Ein Einzelzellen-Multiomics-Lesesimulator. Vorpressen bioRxiv (2022).
Cao, K., Hong, Y. & Wan, L. Mehrfachausrichtung für die heterogene Integration von Einzelzell-Multiomics-Daten mit Pamona. Bioinformatik 38211–219 (2022).
Argelaguet, R., Cuomo, ASE, Stegle, O. & Marioni, JC Computerprinzipien und Herausforderungen bei der Integration von Einzelzellendaten. Nat. Biotechnologie. 391202–1215 (2021).
Akademisches Google
Fang, J. et al. Clustering Deviation Index (CDI): Ein robustes und genaues internes Maß zur Bewertung der Clusterung von scRNA-seq-Daten. Biol-Genom. 23269 (2022).
Duò, A., Robinson, MD und Soneson, C. Eine systematische Bewertung der Leistung von Pooling-Methoden für Einzelzell-RNA-seq-Daten. F1000Res. 71441 (2018).
Calle, K. et al. Slingshot: Zelllinie und Pseudozeit-Inferenz für die Einzelzell-Transkriptomik. BMC-Genomik 19477 (2018).
Ji, Z. & Ji, H. TSCAN: Rekonstruktion und Bewertung der Pseudozeit in der Einzelzell-RNA-Seq-Analyse. Nukleinsäuren Res. 44e117 (2016).
Akademisches Google
Stasinopoulos, DM & Rigby, RA Generalized Additive Models for Location Shape and Scale (GAMLSS) in R. Soft J. State 231–46 (2008).
Zhang, Y., Parmigiani, G. & Johnson, W.E. ComBat-seq: Batch-Effekt-Anpassung für RNA-seq-Zähldaten. NAR-Genom. Bioinform. 2lqaa078 (2020).
Akademisches Google
Holz, SN Verallgemeinerte additive Modelle: Eine Einführung mit R (Chapman und Hall/CRC, 2006).
Kammann, EE & Wand, MP Geoadditive Modelle. JR-Status. Soc. C 521–18 (2003).
Czado, C. Analyse abhängiger Daten mit Vine Copulas (Frühjahr 2019).
Lun, ATL, McCarthy, DJ und Marioni, JC Ein Schritt-für-Schritt-Workflow für die Low-Level-Analyse von Einzelzell-RNA-Seq-Daten mit Bioconductor. F1000Res. 52122 (2016).
Stuart, T., Srivastava, A., Madad, S., Lareau, CA und Satija, R. Chromatinzustandsanalyse einer einzelnen Zelle mit Signac. Nat. Methoden 181333–1341 (2021).
Akademisches Google
Hao, Y. et al. Integrierte Analyse multimodaler Einzelzelldaten. Zelle 1843573–3587 (2021).
Akademisches Google
Zhu, J., Sun, S. & Zhou, X. SPARK-X: Nichtparametrische Modellierung ermöglicht die skalierbare und robuste Erkennung räumlicher Ausdrucksmuster für große räumliche Transkriptomstudien. Biol-Genom. 22184 (2021).
Akademisches Google
Li, B. et al. Vergleichende Bewertung von Integrationsmethoden für einzelne Zellen und räumliche Transkriptomik zur Vorhersage der Transkriptverteilung und Zelltyp-Entfaltung. Nat. Methoden 19662–670 (2022).
Akademisches Google
Lütge, A. et al. CellMixS: Quantifizierung und Visualisierung von Batch-Effekten auf RNA-seq-Daten einer einzelnen Zelle. Life Sciences Alliance 4e202001004 (2021).
Akademisches Google
Newman, AM et al. Robuste Aufzählung von Zellteilmengen aus Gewebeexpressionsprofilen. Nat. Methoden 12453–457 (2015).
Akademisches Google
Zeng, D. et al. IOBR: Multiomics-immunonkologische biologische Forschung zur Entschlüsselung von Mikroumgebungen und Tumorsignaturen. Stirn. Immunol. 12687975 (2021).
Akademisches Google
Biancalani, T. et al. Deep Learning und Ausrichtung räumlich aufgelöster Einzelzelltranskriptome mit Tangram. Nat. Methoden 181352–1362 (2021).
Akademisches Google
Moriel, N. et al. Novosparc: flexible räumliche Rekonstruktion der Genexpression einzelner Zellen mit optimalem Transport. Nat. Protokoll sechzehn4177–4200 (2021).
Akademisches Google
Song, D., Wang, Q. & Li, JJ scDesign3 generiert realistische In-silico-Daten für multimodale Einzelzellen- und räumliche Omics. Zenode (2022).
35163
42137
74490
42758
74611
63074
74245
91069
89560
98071
03687
56076
22760
77446
91795
09830
47008
64087
97464
20741
97539
05403
97271
03992
47295
92924
76791
96715
86219
28169
32327
99861
48670
34811
67258
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas
staropas