Ke, R. y col. Secuenciación in situ para análisis de ARN en células y tejidos conservados. Nat. Métodos 10, 857–860 (2013).
Lee, JH y col. Secuenciación in situ de ARN subcelular altamente multiplexado. Ciencias 343, 1360-1363 (2014).
Femino, AM Visualización de transcripciones de ARN único in situ. Ciencias 280, 585-590 (1998).
Chen, KH, Boettiger, AN, Moffitt, JR, Wang, S. & Zhuang, X. Perfilado de ARN altamente multiplexado y resuelto espacialmente en células individuales. Ciencias 348, aaa6090 (2015).
Eng, C.-HL y col. Imágenes superesueltas a escala de transcriptoma en tejidos mediante ARN seqFISH +. Naturaleza 568, 235–239 (2019).
Ståhl, PL y col. Visualización y análisis de la expresión génica en secciones de tejido mediante transcriptómica espacial. Ciencias 353, 78–82 (2016).
Rodriques, SG y col. Slide-seq: una tecnología escalable para medir la expresión de todo el genoma con alta resolución espacial. Ciencias 363, 1463–1467 (2019).
Vickovic, S. et al. Transcriptómica espacial de alta definición para la elaboración de perfiles de tejidos in situ. Nat. Métodos dieciséis, 987–990 (2019).
Kingma, DP & Welling, M. Bayes variacional de codificación automática. En 2do Congreso Internacional sobre Representaciones del Aprendizaje (eds Bengio, Y. & LeCun, Y.) http://arxiv.org/abs/1312.6114 (2014).
Rezende, DJ, Mohamed, S. & Wierstra, D. Retropropagación estocástica e inferencia aproximada en modelos generativos profundos. En Actas de la 31a Conferencia Internacional sobre Aprendizaje Automático http://proceedings.mlr.press/v32/rezende14.html (2014).
Lein, ES y col. Atlas de expresión génica de todo el genoma en el cerebro de un ratón adulto. Naturaleza 445168-176 (2006).
Uhlen, M. y col. Mapa basado en tejidos del proteoma humano. Ciencias 347, 1260419 (2015).
Tepe, B. et al. La secuencia de ARN unicelular del bulbo olfatorio de ratón revela la heterogeneidad celular y el censo molecular dependiente de la actividad de las neuronas nacidas en adultos. Rep. Celular 25, 2689–2703 (2018).
Butler, A., Hoffman, P., Smibert, P., Papalexi, E. y Satija, R. Integración de datos transcriptómicos unicelulares en diferentes condiciones, tecnologías y especies. Nat. Biotechnol. 36, 411–420 (2018).
Bulla, R. y col. C1q actúa en el microambiente tumoral como factor promotor del cáncer independientemente de la activación del complemento. Nat. Común. 7, 10346 (2016).
Metodieva, G. et al. Desregulación dependiente de CD74 del garabato supresor de tumores en células de cáncer de mama y epiteliales humanas. Neoplasia 15, 660–668 (2013).
Love, MI, Huber, W. & Anders, S. Estimación moderada del cambio de veces y la dispersión para los datos de RNA-seq con DESeq2. Genome Biol. 15550 (2014).
Blei, DM, Kucukelbir, A. y McAuliffe, JD Inferencia variacional: una revisión para estadísticos. Mermelada. Stat. Assoc.112, 859–877 (2017).
Lopez, R., Regier, J., Cole, MB, Jordan, MI & Yosef, N.Modelado generativo profundo para transcriptómica unicelular. Nat. Métodos 15, 1053-1058 (2018).
Eraslan, G., Simon, LM, Mircea, M., Mueller, NS & Theis, FJ Eliminación de ruido de secuencia de ARN de una sola célula utilizando un codificador automático de conteo profundo. Nat. Común. 10, 390 (2019).
Kingma, DP & Ba, J. Adam: un método de optimización estocástica. En 3er Congreso Internacional sobre Representaciones del Aprendizaje (eds Bengio, Y. & LeCun, Y.) http://arxiv.org/abs/1412.6980 (2015).
Ronneberger, O., Fischer, P. y Brox, T. U-Net: Redes convolucionales para la segmentación de imágenes biomédicas 234–241. (Springer, 2015).
Gardner, JR, Pleiss, G., Bindel, D., Weinberger, KQ & Wilson, AG GPyTorch: inferencia del proceso gaussiano matriz-matriz de caja negra con aceleración de GPU. En Actas de la 32a Conferencia Internacional sobre Sistemas de Procesamiento de Información Neural (Curran Associates, 2018).
Wu, SZ y col. Un atlas unicelular y resuelto espacialmente de cánceres de mama humanos. Nat. Genética 53, 1334-1347 (2021).
Ji, AL y col. Análisis multimodal de composición y arquitectura espacial en carcinoma de células escamosas humano. Celda 182, 497–514 (2020).
Macenko, M. y col. Un método para normalizar los portaobjetos de histología para el análisis cuantitativo. Simposio internacional del IEEE de 2009 sobre imágenes biomédicas: de lo nano a lo macro https://ieeexplore.ieee.org/document/51932500.1109/ISBI.2009.5193250 (2009).
Svensson, V., Teichmann, SA y Stegle, O. SpatialDE: identificación de genes espacialmente variables. Nat. Métodos 15, 343–346 (2018).
Sun, S., Zhu, J. y Zhou, X. Análisis estadístico de patrones de expresión espacial para estudios transcriptómicos resueltos espacialmente. Nat. Métodos 17, 193-200 (2020).
Nitzan, M., Karaiskos, N., Friedman, N. y Rajewsky, N. Cartografía de expresión génica. Naturaleza 576, 132-137 (2019).
Achim, K. y col. Mapeo espacial de alto rendimiento de datos de secuencia de ARN de una sola célula al tejido de origen. Nat. Biotechnol. 33, 503–509 (2015).
Satija, R., Farrell, JA, Gennert, D., Schier, AF & Regev, A. Reconstrucción espacial de datos de expresión génica unicelular. Nat. Biotechnol. 33, 495–502 (2015).
Qian, X. y col. La tipificación celular probabilística permite el mapeo fino de tipos celulares estrechamente relacionados in situ. Nat. Métodos 17, 101–106 (2019).
Lopez, R. et al. Un modelo conjunto de datos no apareados de scRNA-seq y transcriptómica espacial para imputar medidas de expresión génica faltantes. En Taller ICML sobre biología computacional (2019).
Cable, DM y col. Descomposición robusta de mezclas de tipos de células en transcriptómica espacial. Nat. Biotecnología. https://doi.org/10.1038/s41587-021-00830-w (2021).
Andersson, A. et al. La transcriptómica unicelular y espacial permite la inferencia probabilística de la topografía del tipo de célula. Comun. Biol. 3, 565 (2020).
Elosua-Bayes, M., Nieto, P., Mereu, E., Gut, I. & Heyn, H. Spotlight: regresión Nmf sembrada para deconvolucionar puntos transcriptómicos espaciales con transcriptomas unicelulares. Ácidos nucleicos Res. 49, e50 (2021).
Stickels, RR y col. Transcriptómica espacial de alta sensibilidad a una resolución casi celular con Slide-seqV2. Nat. Biotechnol. 39, 313–319 (2020).
Liu, Y. et al. Secuenciación multiómica de alta resolución espacial a través de códigos de barras deterministas en el tejido. Celda 183, 1665-1681 (2020).
Google Académico
Paszke, A. et al. PyTorch: una biblioteca de aprendizaje profundo de alto rendimiento y estilo imperativo. En Avances en los sistemas de procesamiento de información neuronal 32 (eds Wallach, H. et al.) 8024–8035 http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf (Curran Associates, 2019).
Bingham, E. y col. Pyro: programación probabilística universal profunda. J. Mach. Aprender. Res. 20, 1-6 (2019).
Google Académico