Vienšūnu RNS sekvenēšanas (scRNA-seq) diferenciālās ekspresijas analīze
Vienšūnu RNS sekvenēšanas (scRNA-seq) diferenciālās ekspresijas (DE) analīze identificē gēnus, kuru ekspresijas līmeņi būtiski atšķiras starp noteiktām atsevišķu šūnu grupām — piemēram, šūnu tipiem, slimības stāvokļiem vai ārstēšanas nosacījumiem. Atšķirībā no kopējās (bulk) RNS sekvenēšanas, kas vidējo signālus no miljoniem šūnu, scRNA-seq DE darbojas ar katras atsevišķas šūnas transkriptomu, nodrošinot smalku šūnu populācijai specifiskas gēnu regulācijas un heterogenitātes raksturojumu šķietami viendabīgā audu paraugā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Butler, A., Hoffman, P., Smibert, P., Papalexi, E., & Satija, R. (2018). Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nature Biotechnology, 36(5), 411–420. DOI: 10.1038/nbt.4096 ↗
- Love, M. I., Huber, W., & Anders, S. (2014). Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology, 15(12), 550. DOI: 10.1186/s13059-014-0550-8 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Single-Cell RNA Sequencing Differential Expression Analysis. ScholarGate. https://scholargate.app/lv/bioinformatics/single-cell-rna-seq-differential-expression
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Klasteru analīzeStatistika↔ salīdzināt
- GSEA (Gēnu kopu bagātināšanas analīze)Bioinformātika↔ salīdzināt
- Signālu ceļu bagātināšanas analīzeBioinformātika↔ salīdzināt
- RNA-seq diferenciālās ekspresijasBioinformātika↔ salīdzināt
- Vienšūnas RNS sekvencēšanas analīzeBioinformātika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →