Time-series single-cell RNA-seq analysis
Time-series single-cell RNA-seq analysis captures gene expression across multiple time points at single-cell resolution to reveal how cell populations emerge, transition, and diverge during dynamic biological processes such as development, differentiation, or disease progression. By combining pseudotime ordering, RNA velocity, and differential dynamics testing, researchers reconstruct the temporal trajectory of individual cells and identify the gene regulatory changes that drive biological transitions.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- Trapnell, C., Cacchiarelli, D., Grimsby, J., Pokharel, P., Li, S., Morse, M., Lennon, N. J., Livak, K. J., Mikkelsen, T. S., & Rinn, J. L. (2014). The dynamics and regulators of cell fate decisions are revealed by pseudotemporal ordering of single cells. Nature Biotechnology, 32(4), 381-386. · DOI 10.1038/nbt.2859
- La Manno, G., Soldatov, R., Zeisel, A., Braun, E., Hochgerner, H., Petukhov, V., Lidschreiber, K., Kastriti, M. E., Lonnerberg, P., Furlan, A., Fan, J., Borm, L. E., Liu, Z., van Bruggen, D., Guo, J., He, X., Linnarsson, S., & Kharchenko, P. V. (2018). RNA velocity of single cells. Nature, 560(7719), 494-498. · DOI 10.1038/s41586-018-0414-6
Gecureerde claims
Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.
Deze weergave verzint geen claimbeoordeling als het register er geen heeft.
Gerelateerde methoden
Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.