用二项式混合模型研究RNA剪接作为细胞多样性来源

凯伦·伊萨夫（Keren Isaev），大卫·A·诺尔斯（David A.Knowles）
计算生物学会议第18届机器学习会议记录，PMLR 240:163-1752024年。

摘要

选择性剪接（AS）对RNA和蛋白质的变异性有显著贡献，但其在定义细胞多样性中的作用尚未完全理解。虽然与10X单细胞RNA测序（scRNA-seq）相比，Smart-seq2提供了更高的转录物覆盖率，但目前的计算方法往往忽略了AS的全部复杂性。大多数基于单细胞的差异剪接分析方法都专注于简单的AS事件，如外显子跳过，并且依赖于预先定义的细胞类型标签或低维基因表达表示。这限制了他们检测更复杂AS事件的能力，使他们依赖于细胞分类的先验知识。在这里，我们介绍了Leaflet，这是一种以剪接连接为中心的方法，灵感来源于Leafcutter，它是我们用大量RNA-seq量化RNA剪接变异的工具。传单是一种概率混合模型，旨在推断AS驱动的细胞状态，而无需细胞类型标签。我们详细介绍了Leaflet的生成模型、推理方法及其在检测差异拼接连接中的效率。通过将传单应用于Tabula Muris脑细胞数据集，我们强调了细胞状态特定的剪接模式，提供了对细胞多样性的更深入了解，而不仅仅是通过基因表达捕获的多样性。

引用本文

BibTeX公司
@会议记录{pmlr-v240-isaev24a，title={使用二项式混合模型研究RNA剪接作为细胞多样性的来源}，author={Isaev、Keren和Knowles、David A.}，booktitle={第18届计算生物学机器学习会议论文集}，页数={163--175}，年份={2024}，editor={Knowles，David A.和Mostafavi，Sara}，体积={240}，series={机器学习研究论文集}，月={11月30日-12月1日}，publisher={PMLR}，pdf={https://proceedings.mlr.press/v240/isaev24a/isaev24a.pdf},url={https://proceedings.mlr.press/v240/isaev24a.html},abstract={选择性剪接（AS）对RNA和蛋白质的变异性有显著贡献，但其在定义细胞多样性中的作用尚未完全被理解。虽然与10X单细胞RNA-sequencing（scRNA-seq）相比，Smart-seq2在转录物中的覆盖率更高，但当前的计算方法往往忽略了AS的全部复杂性。大多数基于单细胞的差异剪接分析方法侧重于简单的AS事件，如外显子跳跃，并依赖于预定义的细胞类型标签或低维基因表达表示。这限制了他们检测更复杂AS事件的能力，使他们依赖于细胞分类的先验知识。在这里，我们介绍了Leaflet，这是一种以剪接连接为中心的方法，灵感来源于Leafcutter，它是我们用大量RNA-seq量化RNA剪接变异的工具。传单是一种概率混合模型，旨在推断AS驱动的细胞状态，而无需细胞类型标签。我们详细介绍了Leaflet的生成模型、推理方法及其在检测差异拼接连接方面的效率。通过将传单应用于Tabula Muris脑细胞数据集，我们突出了细胞状态特异性剪接模式，使我们对细胞多样性有了更深入的了解，而不仅仅是通过基因表达来捕捉。}}
尾注
%0会议论文%用二项式混合模型研究RNA剪接作为细胞多样性来源%克伦·伊萨夫%大卫·A·诺尔斯%计算生物学会议第18届机器学习论文集%C机器学习研究论文集%2024年%E大卫·A·诺尔斯%E萨拉·穆斯塔法维%F pmlr-v240-isaev24a型%我PMLR%第163-175页%U型https://proceedings.mlr.press/v240/isaev24a.html%240伏%X选择性剪接（AS）对RNA和蛋白质的变异性有显著贡献，但其在定义细胞多样性中的作用尚未完全理解。与10X单细胞RNA-sequencing（scRNA-seq）相比，Smart-seq2在转录物中的覆盖范围更大，但当前的计算方法往往忽略了AS的全部复杂性。基于单细胞的差异剪接分析的大多数方法都侧重于简单的AS事件，如外显子跳跃、，并且依赖于预先定义的细胞类型标签或低维基因表达表示。这限制了他们检测更复杂AS事件的能力，使他们依赖于细胞分类的先验知识。在这里，我们介绍了Leaflet，这是一种以剪接连接为中心的方法，灵感来源于Leafcutter，它是我们用大量RNA-seq量化RNA剪接变异的工具。传单是一种概率混合模型，旨在推断AS驱动的细胞状态，而无需细胞类型标签。我们详细介绍了Leaflet的生成模型、推理方法及其在检测差异拼接连接中的效率。通过将传单应用于Tabula Muris脑细胞数据集，我们强调了细胞状态特定的剪接模式，提供了对细胞多样性的更深入了解，而不仅仅是通过基因表达捕获的多样性。
亚太地区
Isaev，K.和Knowles，D.A.（2024年）。使用二项式混合模型研究RNA剪接作为细胞多样性的来源。计算生物学会议第18届机器学习会议记录，英寸机器学习研究进展240:163-175可从https://proceedings.mlr.press/v240/isaev24a.html。

相关材料