Richtlinien zur Einreichung von Proben
Verbinden Sie Zellidentität, Regulation und Funktion in einer Studie.
Gewebe-Durchschnittswerte können seltene Populationen verbergen. Eine einzelne molekulare Schicht kann ein Muster identifizieren, ohne zu erklären, was es steuert.
Die Einzelzell-RNA-Sequenzierung kann Zelltypen und Expressionszustände offenbaren, aber ähnliche RNA-Profile können durch unterschiedliche regulatorische Wege entstehen. Die Chromatinzugänglichkeit kann auf aktive regulatorische Regionen hinweisen. Zelloberflächenproteine können immunologische Phänotypen verfeinern, während T-Zell- und B-Zell-Rezeptorsequenzen einen Zustand mit klonaler Expansion verbinden können.
Wir gestalten die Studie rund um die Entscheidung, die Sie treffen müssen. Das kann bedeuten, RNA und Chromatin im gleichen Zellkern zu messen, RNA mit Oberflächenproteinen zu kombinieren, die Sequenzierung von Immunrezeptoren hinzuzufügen oder kompatible Messungen über Proben hinweg zu integrieren.
KI-gestützte Methoden helfen dabei, Tausende von Merkmalen zu vergleichen und Zellen den entsprechenden Referenzen zuzuordnen. Unsere Wissenschaftler überprüfen die Qualität, die Beweislage zur Annotation, die Batch-Struktur, die biologische Konsistenz und die Unsicherheit, bevor ein Ergebnis berichtet wird.
Fragen, bei denen wir Ihnen helfen können, sie zu beantworten
- Welche Zelltypen und -zustände sind vorhanden?
- Welche Zustände ändern sich über Gruppen oder Zeitpunkte hinweg?
- Welche Regulierungsprogramme unterstützen diese Staaten?
- Verfeinern Oberflächenproteine die RNA-definierte Identität?
- Welche Klonotypen expandieren innerhalb eines bestimmten Zustands?
- Welche Ergebnisse bleiben bei den Spendern konsistent?
Einzelzell-Multi-Omik für spezifische Forschungsentscheidungen
Jedes Szenario verbindet eine biologische Fragestellung mit geeigneten Experimenten, Integrationsmethoden, Qualitätstests und nutzbaren Ergebnissen.
Tumor- und Immunmikroumgebungsheterogenität auflösen
Ihre FrageWelche malignen, immunen und stromalen Zustände unterscheiden sich zwischen Tumoren, Modellen, Behandlungsgruppen oder Geweberegionen?
Daten und ExperimentescRNA-seq bietet eine umfassende Zellzustandskarte. CITE-seq kann das Oberflächenphänotyp verfeinern, scATAC-seq kann regulatorische Unterschiede aufdecken, und die Sequenzierung des Immunrepertoires kann Lymphozytenzustände mit Klonotypen verbinden. Wir können eine oder mehrere Schichten entsprechend der Eignung der Proben erzeugen.
Wie KI hilftReferenzmapping und multimodale Nachbarmodelle helfen, verwandte Zellen zu organisieren und gleichzeitig die Identität der Proben zu bewahren. Kandidaten für maligne Programme, Immunzustände und Zellinteraktionen werden dann im Vergleich zu bekannten Markern und dem Kontext der Studie überprüft.
Wie wir das Ergebnis testenWir überprüfen die Unterstützung durch Spender, die Chargenbilanz, die Beweislage zur Annotation, die Zellhäufigkeit und die Veränderungen innerhalb des Bundesstaates. Ein Muster, das in vielen Zellen eines Spenders gefunden wird, wird nicht als evidenzbasiert für die gesamte Kohorte betrachtet.
Was wir liefernSie erhalten Zell- und Staatskarten, Gruppenvergleiche, Markertabellen, regulatorische oder Interaktionsergebnisse, Spenderzusammenfassungen auf Ebene des Spenders und Kandidaten für gezielte Nachverfolgung.
Veröffentlichte BeweiseSivakumar et al. kombinierten abgestimmte Tumor- und Blut-scRNA-seq-, CITE-seq- und Immunrezeptordaten von Proben mit Bauchspeicheldrüsenkrebs mit öffentlichen Datensätzen. Ihre Studie zeigt, wie mehrere Schichten von Einzelzellen Immunmikroumgebungs-Muster unterscheiden können, die aus durchschnittlichen Gewebedaten schwer zu erkennen wären.
Getrennte Arzneimittelreaktionszustände von resistenten Zellpopulationen
Ihre FrageÄndert eine Behandlung die Anzahl der Zellen in einem Zustand, ändert sie den Zustand selbst oder wählt sie eine bereits vorhandene resistente Population aus?
Daten und ExperimenteWir können behandelte und unbehandelte Proben, empfindliche und resistente Modelle, Dosisgruppen, Zeitpunkte oder Störungen vergleichen. RNA-, Chromatin-, Oberflächenprotein- und genotypbewusste Messungen können kombiniert werden, wenn die Fragestellung dies erfordert.
Wie KI hilftKI-unterstützte Modelle können vergleichbare Zustände unter verschiedenen Bedingungen abgleichen und Merkmale priorisieren, die gemeinsam über Modalitäten hinweg variieren. Sie können auch helfen, einen Wechsel in der Zellzusammensetzung von einer molekularen Veränderung innerhalb desselben Zustands zu trennen.
Wie wir das Ergebnis testenVergleiche werden auf der Probenebene vorgenommen, wenn möglich. Wir überprüfen Spender, Modell, Behandlung, Zeit und Batch-Struktur und testen, ob das Ergebnis von einer Annotation oder Integrationswahl abhängt.
Was wir liefernSie erhalten antwortbezogene Zustände, differenzielle Merkmale, potenzielle Regulierungsprogramme, Beweise für Zustandsübergänge und einen praktischen Plan für orthogonale oder perturbationsbasierte Validierung.
Veröffentlichte BeweiseWegmann et al. integrierten die Einzelzell-ex-vivo-Arzneimittelprofilierung mit DNA-, RNA- und Proteinmessungen aus Proben von rezidivierter oder refraktärer akuter myeloischer Leukämie. Die Arbeit veranschaulicht, wie zellauflösende molekulare Beweise angeborene und erworbene Resistenzmuster unterscheiden können.
Studie zur Entwicklung, Differenzierung und Krankheitsprogression
Ihre FrageWelche Zwischenzustände verbinden eine frühe Population mit späteren Zellidentitäten, und welche regulatorischen Programme ändern sich entlang des Weges?
Daten und ExperimenteRNA-Messungen definieren sich ändernde Ausdruckszustände. Kombinierte RNA- und Chromatinmessungen können diese Zustände mit zugänglichen Regionen und potenziellen Regulatoren verbinden. Zeitpunkte, anatomische Regionen oder experimentell definierte Phasen stärken die Interpretation.
Wie KI hilftTrajektorien- und latente Zustandsmodelle ordnen Zellen nach molekularer Ähnlichkeit und vergleichen potenzielle Zweige. Regulatorische Modelle verbinden Transkriptionsfaktoren, zugängliche Regionen und die Expression von Zielgenen, wenn die Daten diese Verbindungen unterstützen.
Wie wir das Ergebnis testenWir vergleichen die abgeleitete Reihenfolge mit der Probenahmezeit, bekannten Markern, Replikatproben und der zweiten molekularen Schicht. Eine Trajektorie ist eine modellbasierte Forschungsinterpretation; sie ist kein direkter Beweis für die Abstammungsgeschichte.
Was wir liefernSie erhalten Staats- und Zweigkarten, zeit- oder stufenbezogene Merkmale, potenzielle Regulatoren, unterstützende und widersprüchliche Beweise sowie Nachfolgeexperimente.
Veröffentlichte BeweiseZuo et al. erzeugten gepaarte RNA- und Chromatinprofile aus denselben Zellkernen während der menschlichen Netzhautentwicklung. Die Studie verband Entwicklungszustände mit Trajektorien, Transkriptionsfaktoren und genregulatorischen Netzwerken.
Verbinden Sie Immun-Klonotypen mit funktionalen Zellzuständen.
Ihre FrageWelche T-Zell- oder B-Zell-Klone expandieren und welche Expressions- oder Oberflächenproteinzustände nehmen diese Klone ein?
Daten und ExperimentescTCR/BCR-seq kann mit Genexpression und, wenn geeignet, mit Oberflächenproteinmessungen kombiniert werden. Proben können Gewebe, blutabgeleitete Zellen, Behandlungsgruppen, Zeitpunkte oder Forschungsmodelle repräsentieren.
Wie KI hilftKI-gestützte Annotation organisiert Immunzustände und hilft, Klonotypverteilungen über diese Zustände hinweg zu vergleichen. Gemeinsame Rezeptormerkmale, klonale Expansion, Zustandsanreicherung und wiederkehrende Muster über Proben hinweg können dann untersucht werden.
Wie wir das Ergebnis testen.Wir berichten über die Anzahl der unterstützenden Zellen und Proben, überprüfen die Rezeptorqualität und die Kettenpaarung und vermeiden es, einen erweiterten Klon als allgemeine Gruppeneffekt zu behandeln.
Was wir liefernSie erhalten Klonotyp-Tabellen, zustandsverknüpfte Expansionskarten, Diversitätszusammenfassungen, Vergleichsdaten zwischen Proben sowie Kandidatenklone oder -zustände für die weitere Forschung.
Veröffentlichte BeweiseECCITE-seq zeigte die gemeinsame Messung von Transkriptomen, Oberflächenproteinen, Klonotypen und Störungsreadouts. Es bietet eine technische Grundlage für die Verbindung der Identität von Immunrezeptoren mit dem zellulären Phänotyp in einem multimodalen Design.
Wählen Sie molekulare Schichten, die die nächste Entscheidung beeinflussen.
Wir empfehlen Technologien basierend auf der Probe, der biologischen Fragestellung, der erforderlichen Auflösung und der Evidenzlücke.
| Servicetechnologie | Beweis hinzugefügt | Typische Rolle in der Studie |
|---|---|---|
| Einzelzell-RNA-Sequenzierung | Genexpression durch Zelle | Zelltypen, Zellzustände, seltene Populationen, Wege und Gruppenvergleiche |
| Einzelzell-ATAC-Seq | Zugängliche Chromatin nach Zelle oder Kern | Regulatorische Zustände, Motivaktivität, Kandidatentranskriptionsfaktoren und verbundene Regionen |
| Einzelzell-ATAC- und RNA-Profilierung | RNA und Chromatin aus demselben Zellkern | Direkte Zuordnung von Ausdruckszustand und regulatorischen Beweisen ohne Zellübergreifende Zuordnung |
| CITE-seq | Genexpression und ausgewählte Oberflächenproteine | Immune-Phenotypisierung, proteinunterstützte Annotation und Zustandsverfeinerung |
| Einzelzell-TCR/BCR-Sequenzierung | Immunrezeptor-Klonotypen, die mit Zellzuständen verknüpft sind | Klonale Expansion, Repertoirevielfalt, Zustandsverteilung und interprobenverfolgung |
| Räumliche Multi-Omics Sequenzierungsdienste | Gewebeort und Nachbarschaftskontext | Optionale Nachverfolgung zur Lokalisierung wichtiger Zustände, Interaktionen oder resistenter Nischen im Gewebe. |
| Multi-Omics-Dienste | Zusätzliche molekulare Beweise über die Studie hinweg | Fokussierte genomische, epigenomische, transkriptomische oder andere Omik-Unterstützung |
| Bioinformatik-Dienstleistungen | Verarbeitung und Interpretation vorhandener Daten | Qualitätsprüfung, Harmonisierung, Integration öffentlicher Daten und reproduzierbare Berichterstattung |
Nicht jedes Projekt benötigt jede Modalität. Das Hinzufügen einer Datenschicht ist nur dann nützlich, wenn es eine spezifische Unsicherheit klären kann, wie zum Beispiel, ob ein RNA-definierter Zustand ein distinctes regulatorisches Programm, ein Oberflächenphänotyp, ein Klonotypmuster oder einen Gewebestandort hat.
Beginnen Sie mit Proben, vorhandenen Daten oder einem hybriden Design.
| Projekt Eintrag | Was Sie anbieten | Wie wir das Studium unterstützen |
|---|---|---|
| Probe zu Erkenntnis | Geeignete Zellen, Kerne, Gewebe, blutabgeleitete Zellen, Organoide oder Forschungsmodelle; Studiengruppen und Metadaten | Wir überprüfen die Machbarkeit, entwerfen und führen die vereinbarten Einzelzellexperimente durch, verarbeiten jede Modalität, integrieren die Beweise und liefern von Wissenschaftlern geprüfte Ergebnisse. |
| Daten zu Erkenntnissen | FASTQ-Dateien, Feature-Barcodes oder Zählmatrizen, Zell-Level-Metadaten, Seurat-Objekte, AnnData-Objekte oder kompatible öffentliche Datensätze | Wir überprüfen die Datenqualität und untersuchen die Struktur, den Prozess oder harmonisieren die Daten, führen multimodale Analysen durch und berichten über reproduzierbare Ergebnisse und Grenzen. |
| Hybrides Studium | Vorhandene Daten plus Biospezimen oder ein geplanter Versuch für die fehlenden Beweise. | Wir identifizieren die Lücke, erzeugen eine fokussierte neue molekulare Schicht und verbinden sie mit der bestehenden Einzelzellstudie. |
Batchkorrektur daran hindern, die echte Biologie zu löschen
Integration ist nur dann erfolgreich, wenn sie unerwünschte technische Variationen reduziert und bedeutungsvolle Unterschiede zwischen Proben und Zuständen bewahrt.
- Zell- und ZellkernqualitätWir überprüfen die Merkmalsdetektion, die Komplexität der Bibliothek, das Umgebungsrauschen, Mehrfachsignale und Profile von geringer Qualität unter Verwendung datengerechter Maße.
- MusterstrukturSpender, Gruppe, Charge, Standort, Behandlung, Zeit und Verarbeitungsvariablen bleiben während der Analyse sichtbar.
- AnnotierungsnachweisLabels werden durch Marker, Referenzquellen, multimodale Übereinstimmung und biologischen Kontext unterstützt.
- MehrdeutigkeitGemischte, Übergangs- oder schwach unterstützte Zustände werden gekennzeichnet, anstatt in ein sicheres Label gezwungen zu werden.
- Biologische ErhaltungWir überprüfen, ob die erwarteten Unterschiede zwischen Spender, Gruppe, Linie und Zustand nach der Integration bestehen bleiben.
- Cross-modale ÜbereinstimmungRNA-, Chromatin-, Protein- oder Rezeptornachweise werden verglichen, wo ein direkter oder biologisch gerechtfertigter Zusammenhang besteht.
- Stützpunkt auf ProbeebeneSchlussfolgerungen basieren nicht nur auf einer großen Anzahl von Zellen aus einer Probe.
- SensitivitätsprüfungWichtige Ergebnisse werden unter angemessenen Filtern, Annotationen, Integrationen und Modellentscheidungen überprüft.
Benchmarking-Arbeiten haben gezeigt, dass keine Integrationsmethode für jedes Datenset die beste ist. Wir wählen und testen Methoden entsprechend der Modalität, der Batch-Struktur, der biologischen Fragestellung und der Art der Variation, die sichtbar bleiben muss.
Von der Studienfrage zu getesteten multimodalen Beweisen
Ein verbundener Workflow hält das Design des Nasslabors, modality-spezifische Qualitätskontrolle, Integration, Interpretation und Validierung auf dieselbe Entscheidung fokussiert.
Schritt 1 - Definieren Sie die ForschungsentscheidungWir klären den biologischen Kontrast, die Einheit der Replikation, die erforderliche Zellauflösung und wie das Ergebnis das nächste Experiment leiten wird.
Schritt 2 - Überprüfen von Mustern und vorhandenen DatenWir untersuchen die Eignung der Proben, erwartete Zelltypen, Erhaltung, Gruppenbalance, Metadaten, Batch-Struktur und verfügbare Datenobjekte.
Schritt 3 - Generieren Sie die ausgewählten ModalitätenWenn Biospezimen einbezogen werden, führen wir die vereinbarten Einzelzell- oder Einzelkernexperimente durch und halten die Probenidentität nachverfolgbar.
Schritt 4 - Anwendung modalitätsspezifischer QualitätskontrolleRNA-, Chromatin-, Protein- und Rezeptordaten werden vor der Integration mit geeigneten Maßnahmen bewertet.
Schritt 5 - Kompatible Beweise integrierenWir wählen eine Methode aus, die verwandte Zellen oder Merkmale ausrichten kann, während relevante Unterschiede in Bezug auf Spender, Gruppe, Linie und Zustand erhalten bleiben.
Schritt 6 - Zellzustände und Mechanismen interpretierenWir untersuchen Annotationen, unterschiedliche Häufigkeiten, Veränderungen innerhalb des Staates, Regulierungsprogramme, Trajektorien, Interaktionen oder Klonotypen, wie es das Design unterstützt.
Schritt 7 - Testen der Unterstützung von KreuzprobenWichtige Ergebnisse werden nach Stichprobe, Gruppe, Charge und angemessenen Methodenwahl überprüft. Vertrauen und widersprüchliche Beweise werden berichtet.
Schritt 8 - Gezielte Nachverfolgung planenWir priorisieren Kandidaten für gezielte Tests, Störungsstudien, zusätzliche Kohorten oder räumliche Lokalisierung.
Was wir überprüfen, bevor die Studie beginnt
Die Überprüfung von Proben und Metadaten erfolgt vor der Empfehlung eines festen Protokolls, da Gewebe, Konservierung, Zellgewinnung und Studienstruktur das Design beeinflussen.
- Forschungsfrage, Vergleichsgruppen und die Entscheidung, die die Studie unterstützen sollte
- Probenart, Gewebequelle, Erhaltung, erwartete Zell- oder Zellkernrückgewinnung und bekannte Qualitätsprobleme
- Spender, Modell, Behandlung, Dosis, Zeitpunkt, Geweberegion, Entnahmestelle und Batch-Informationen
- Verfügbare scRNA-seq, scATAC-seq, CITE-seq, Immunrezeptor-, Multiome- oder kompatible öffentliche Daten
- FASTQ-Dateien, Zählmatrizen, Feature-Barcode-Matrizen, Seurat-Objekte, AnnData-Objekte und zellbezogene Metadaten, sofern zutreffend.
- Erwartete seltene Populationen, wichtige Marker, frühere Befunde und geeignete Referenzdatensätze
- Verfügbare Materialien oder Kohorten für technische, biologische oder räumliche Nachverfolgung
Nach der Machbarkeitsprüfung geben wir eine studienspezifische Empfehlung für Modalitäten, Probenhandhabung, Replikation, Metadaten, Qualitätskontrollen und Follow-up-Optionen ab.
Liefergegenstände, die Sie überprüfen, wiederverwenden und testen können
- Experimentelles Design und Überprüfung der Stichprobenmachbarkeit
- Modalitätsspezifischer Qualitätsbericht
- Zusammenfassung der behaltenden Zelle oder des Kerns nach Probe
- Verarbeitete und harmonisierte Zellniveau-Datenobjekte
- Zelltyp- und Zellzustandsannotationen
- Annotierungsbeweise, Vertrauen und Mehrdeutigkeitskennzeichen
- Marker- und Differenzialmerkmals Tabellen
- Differenzielle Häufigkeit und Vergleiche innerhalb der Staaten
- Multimodale Faktoren, verknüpfte Merkmale oder Regulierungsprogramme
- Trajektorie, Interaktion oder Klonotyp-Ergebnisse, je nach Anwendbarkeit
- Spender-, Batch- und Sensitivitätsbewertung
- Veröffentlichungsfertige Abbildungen und Ergebnistabellen
- Reproduzierbare Methoden, Skripte und Datenobjektanleitungen
- Einschränkungen und gezielte Nachverfolgungsempfehlungen
Schließen Sie die Lücke zwischen einer Zellkarte und einem testbaren Mechanismus.
Wenn ein Projekt auf vorhandene Daten beschränkt ist, kann eine wichtige Unsicherheit ungelöst bleiben. RNA kann einen wichtigen Zustand definieren, ohne seine regulatorische Basis aufzuzeigen. Ein Rezeptordatensatz kann eine klonale Expansion zeigen, ohne den Phänotyp dieser Zellen zu erklären.
CD Genomics kann Studiendesign, Einzelzell- und Einzelkernexperimente, multimodale Bioinformatik, KI-unterstützte Musterüberprüfung und die Interpretation durch Wissenschaftler verbinden. Dies ermöglicht es, die Beweise hinzuzufügen, die die biologische Fragestellung tatsächlich benötigt.
Wir liefern sowohl das integrierte Ergebnis als auch die Nachweise dafür: Unterstützung auf Probenebene, Quellen für Annotationen, Qualitätsprüfungen, Sensitivitätsergebnisse, Einschränkungen und einen fokussierten Plan für die nächste Studie.
Forschungsgrenze
Zellzustände, Trajektorien, Interaktionen und regulatorische Verbindungen sind Forschungsauslegungen, die durch die Qualität der Proben, das Studiendesign, die Datenmodalität und die Modellwahl geprägt sind. Wir garantieren nicht, dass jede Modalität übereinstimmt oder dass jeder potenzielle Mechanismus in nachfolgenden Experimenten bestätigt wird.
Referenzen
- Hao Y, Hao S, Andersen-Nissen E, et al. Integrierte Analyse multimodaler Einzelzell-Daten. Zelle. 2021.
- Luecken MD, Büttner M, Chaichoompu K, et al. Benchmarking der atlasbasierten Datenintegration in der Einzelzell-Genomik. Naturmethoden. 2022.
- Stoeckius M, Hafemeister C, Stephenson W, et al. Gleichzeitige Messung von Epitopen und Transkriptom in Einzelzellen. Naturmethoden. 2017.
- Mimitou EP, Cheng A, Montalbano A, et al. Multiplexed-Erkennung von Proteinen, Transkriptomen, Klonotypen und CRISPR-Störungen in einzelnen Zellen. Naturmethoden. 2019.
- Wegmann R, Bonilla X, Casanova R, et al. Einzelzelllandschaft der angeborenen und erworbenen Arzneimittelresistenz bei akuter myeloischer Leukämie. Naturwissenschaftliche Kommunikation. 2024.
- Sivakumar S, Jainarayanan A, Arbe-Barnes E, et al. Unterscheidbare Muster der Immunzellinfiltration bei duktalem Adenokarzinom der Bauchspeicheldrüse zeigen unterschiedliche Selektionsmechanismen von Immunzellen und immunmodulatorische Mechanismen. Naturwissenschaften Kommunikation. 2025.
- Zuo Z, Cheng X, Ferdous S, et al. Einzelzell-Dual-Omik-Atlas der menschlichen sich entwickelnden Netzhaut. Naturwissenschaften Kommunikation. 2024.
Beispielbericht zur Einzelzell-Multi-Omik-Analyse
Der Bericht verbindet die biologischen Ergebnisse mit der Unterstützung auf Probenebene, multimodalen Beweisen und Qualitätsprüfungen. Er ist darauf ausgelegt, Ihnen zu helfen, zu entscheiden, was in das nächste Experiment überführt werden sollte.
Ein projektspezifischer Bericht kann Zellkarten enthalten, die nach Spender und Gruppe unterteilt sind, Zelltypanteile, Beweise für Annotationen, Links zu RNA- und Chromatinmerkmalen, Unterstützung von Oberflächenproteinen, regulatorische Programme, Ergebnisse zu Trajektorien oder Interaktionen, Klonotyp-Überlagerungen, Sensitivitätsprüfungen und priorisierte Nachverfolgungskandidaten.
KI-unterstützte Einzelzell-Multi-Omik FAQs
Kann das Projekt mit Mustern anstelle von vorhandenen Daten beginnen?
Ja. Wir können die Eignung der Proben überprüfen, die molekularen Schichten empfehlen, die vereinbarten Experimente durchführen, jede Modalität verarbeiten und die Ergebnisse integrieren. Die Empfehlung hängt von Gewebe, Erhaltung, erwarteter Zellrückgewinnung, Studiengruppen und der biologischen Fragestellung ab.
2. Können Sie mit Daten arbeiten, die anderswo generiert wurden?
Ja. Wir können mit Rohdaten, Zählmatrizen, Merkmals-Barcodes-Matrizen, Seurat-Objekten, AnnData-Objekten oder kompatiblen öffentlichen Datensätzen beginnen. Zuerst überprüfen wir die Datenqualität, die Identität der Proben, die Metadaten und die Batch-Struktur.
3. Muss jede Studie mehrere Einzelzell-Assays haben?
Nein. Mehr Modalitäten führen nicht automatisch zu einer besseren Antwort. Wir fügen eine Ebene nur hinzu, wenn sie eine wichtige Unsicherheit klären kann, wie beispielsweise Regulierung, Oberflächenphänotyp, Klonalität oder Gewebelokalisation.
4. Was macht KI im Projekt?
KI-gestützte Methoden können die Referenzzuordnung, Annotation, multimodale Integration, Mustervergleich und Kandidatenpriorisierung unterstützen. Unsere Wissenschaftler wählen die Analysemethode, prüfen die unterstützenden Beweise, bewerten die Unsicherheit und interpretieren das Ergebnis im Kontext der Studie.
5. Wie gehen Sie mit Batch-Effekten um?
Wir halten Spender-, Gruppen-, Batch- und Verarbeitungsvariablen sichtbar, wählen eine geeignete Integrationsmethode aus und überprüfen, ob die erwartete Biologie nach der Korrektur erhalten bleibt. Außerdem vergleichen wir wichtige Ergebnisse über angemessene Verarbeitungsentscheidungen hinweg.
6. Wie vermeiden Sie übermäßig selbstsichere Zellbeschriftungen?
Annotationen werden anhand der Markerexpression, geeigneter Referenzen, des Kontextes der Proben und anderer molekularer Schichten, sofern verfügbar, überprüft. Gemischte, Übergangs- oder schwach unterstützte Populationen können anstelle eines erzwungenen Labels ein Mehrdeutigkeitskennzeichen erhalten.
7. Können RNA und Chromatin in derselben Zelle gemessen werden?
Kompatible Designs für Single-Nucleus-Multiome können RNA und Chromatinzugänglichkeit aus demselben Zellkern messen. Dies beseitigt die Notwendigkeit, diese beiden Schichten über verschiedene Zellen hinweg abzugleichen, obwohl Spender- und Batch-Effekte weiterhin überprüft werden müssen.
Kann räumliche Omik hinzugefügt werden?
Ja, als separate Nachverfolgung, wenn der Gewebestandort wichtig ist. Die räumliche Profilierung kann testen, wo ein wichtiger Zellzustand, eine Interaktion oder ein resistenter Nischenbereich auftritt. Es ist nicht für jedes Einzelzellprojekt erforderlich.
9. Beweist eine Trajektorie die Abstammungsgeschichte?
Nein. Eine Trajektorie ordnet Zellen entsprechend der gemessenen molekularen Ähnlichkeit und den Modellannahmen. Zeitpunkte, Linienverfolgung, Störungen, Bildgebung oder andere Experimente könnten notwendig sein, um den vorgeschlagenen Pfad zu testen.
Veröffentlichte Fallstudie
Unabhängiges Forschungs-Highlight
Verbindung von Genexpression und Chromatinzugänglichkeit während der menschlichen retinalen Entwicklung
Diese Veröffentlichung ist ein unabhängiges Forschungsbeispiel. Es handelt sich nicht um ein Kundenprojekt von CD Genomics.
Hintergrund
Entwicklungszellzustände ändern sich sowohl in der Genexpression als auch in der Chromatinregulation. Die Forscher fragten sich, wie diese Ebenen über Zeit und anatomischen Standort in der sich entwickelnden menschlichen Netzhaut miteinander verbunden sein könnten.
Methoden
Zuo et al. profilierten 315.177 Zellkerne aus 28 retinalen Geweben, die von 14 menschlichen Embryonen und Föten zwischen der 8. und 23. postkonzeptionellen Woche gesammelt wurden. Nach der Qualitätskontrolle blieben 226.506 Zellkerne übrig. RNA und zugängliches Chromatin wurden aus denselben Zellkernen gemessen. Abbildung 1 zeigt das Studiendesign, Zellklassen und die Übereinstimmung zwischen Expressions- und chromatinabgeleiteten Genwerten.
Ergebnisse
Die Forscher identifizierten 61 Zelltypen, einschließlich fünf Vorläufergruppen. Abbildung 2 zeigt den geschätzten Fluss der Vorläuferzustände, die latente Zeit, Ausdrucksmodulen und ein potenzielles regulatorisches Netzwerk. Abbildung 4 untersucht den Weg von Amakrinzell-Vorläufern zu festgelegten Unterklassen. Zusammen verbanden die Ergebnisse sich verändernde Zellzustände mit potenziellen Transkriptionsfaktoren und genregulatorischen Programmen.
Warum es wichtig ist
Die Studie zeigt den Wert der Messung von zwei molekularen Schichten im gleichen Zellkern. Sie zeigt auch, wie Zeit, anatomische Region, Zellannotation, Trajektorienmodelle und regulatorische Beweise gemeinsam überprüft werden können, anstatt sie als separate Ergebnisse zu behandeln.
Fazit
Eine umfassende Einzelzell-Multi-Omics-Studie verbindet experimentelles Design, modalitätsspezifische Qualitätskontrolle, Zellzustandsinterpretation und Beweise über verschiedene Ebenen. Die abgeleiteten Trajektorien und regulatorischen Verbindungen bleiben Forschungsmodelle, die einer biologischen Überprüfung bedürfen und, wenn wichtig, experimentelle Nachverfolgung erfordern. Die Ergebnisse dieser Veröffentlichung sagen nicht das Ergebnis eines anderen Projekts voraus.
Open-Access-HinweisDer Artikel ist unter der Creative Commons Namensnennung 4.0 International Lizenz lizenziert. Diese Seite beschreibt die Studie, ohne ihre Abbildungen zu reproduzieren.
Referenz
- Zuo Z, Cheng X, Ferdous S, et al. Einzelzell-Dual-Omik-Atlas der menschlichen sich entwickelnden Netzhaut. Naturwissenschaftliche Kommunikation. 2024.
Ausgewählte Veröffentlichungen
Diese unabhängigen Publikationen bieten Forschungsgrundlagen für multimodale Integration, qualitätsbewusste Harmonisierung, Messung von Oberflächenproteinen, Analyse von Immun-Klonotypen, Forschung zur Arzneimittelreaktion und gekoppelte RNA-Chromatin-Studien. Sie werden nicht als Kundenprojekte von CD Genomics präsentiert.
- Hao Y, Hao S, Andersen-Nissen E, et al. Integrierte Analyse multimodaler Einzelzell-Daten. Zelle. 2021.
- Luecken MD, Büttner M, Chaichoompu K, et al. Benchmarking der atlas-level Datenintegration in der Einzelzell-Genomik. Naturmethoden. 2022.
- Stoeckius M, Hafemeister C, Stephenson W, et al. Gleichzeitige Messung von Epitopen und Transkriptom in Einzelzellen. Naturmethoden. 2017.
- Mimitou EP, Cheng A, Montalbano A, et al. Multiplexed-Erkennung von Proteinen, Transkriptomen, Klonotypen und CRISPR-Störungen in Einzelzellen. Naturmethoden. 2019.
- Wegmann R, Bonilla X, Casanova R, et al. Einzelzelllandschaft der angeborenen und erworbenen Arzneimittelresistenz bei akuter myeloischer Leukämie. Naturwissenschaften Kommunikation. 2024.
- Sivakumar S, Jainarayanan A, Arbe-Barnes E, et al. Unterschiedliche Infiltrationsmuster von Immunzellen im pankreatischen duktalen Adenokarzinom zeigen divergente Selektionsmechanismen von Immunzellen und immunmodulatorische Mechanismen. Naturwissenschaftliche Kommunikation. 2025.
- Zuo Z, Cheng X, Ferdous S, et al. Einzelzell-Dual-Omik-Atlas der menschlichen sich entwickelnden Netzhaut. Naturkommunikation. 2024.
