008240612s2023      us  |||||||||||||||c||eng  d
■001000016934794
■00520240214101655
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380104593
■035    ▼a(MiAaPQ)AAI30634829
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aZhang,  Xiang.
■24510▼aNovel  Deep  Learning  Methods  for  Single-Cell  RNA-Seq  and  CITE-Seq  Studies▼h[electronic  resource]
■260    ▼a[S.l.]:▼bThe  University  of  Arizona.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(94  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  An,  Lingling.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Arizona,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aIn  recent  years,  an  increasing  number  of  studies  have  shown  that  the  expression  levels  of  mRNA  molecules  (collectively  referred  to  as  the  "transcriptome")  are  highly  correlated  with  cell  types  and  states.  Initially,  RNA  expression  was  quantified  using  microarrays  and  later  through  next-generation  sequencing  techniques  (NGS)  in  a  method  known  as  bulk  RNA-seq.  While  bulk  RNA-seq  has  contributed  significantly  to  biomedical  research  and  clinical  discoveries,  averaging  gene  expressions  across  a  large  number  of  cells  does  not  provide  detailed  information  about  individual  cells.  To  address  this  limitation,  single-cell  RNA-seq  (scRNA-seq)  was  developed  and  enables  researchers  to  profile  RNA  molecule  expressions  in  individual  cells  at  a  much  higher  resolution  on  a  genomic  scale.  With  this  powerful  tool,  more  innovative  discoveries  in  biomedicine  can  be  expected.  Here,  two  analytic  methods  on  single-cell  research  are  developed.  The  first  study  introduces  an  effective  imputation  method  called  NISC,  which  uses  an  autoencoder  with  weighted  loss  function,  and  regularization  to  denoise  scRNA-seq  count  data.  A  systematic  evaluation  shows  that  NISC  is  superior  to  existing  imputation  methods  in  handling  sparse  scRNA-seq  count  data  and  improving  cell  type  identification.  The  second  study  focuses  on  CITE-seq  data,  which  is  a  type  of  single-cell  multi-omics  data  that  combines  scRNA-seq  data  with  surface  protein  data.  By  integrating  these  data  sets,  researchers  can  analyze  complex  big  data  at  multilevel  transitions  for  single  cells  and  uncover  novel  heterogeneous  tissue  architectures.  However,  a  critical  challenge  in  CITE-seq  data  analysis  is  that  the  dimension  of  RNA  is  typically  thousands  of  times  higher  than  that  of  protein,  which  can  diminish  the  impact  of  protein  on  downstream  clustering.  To  meet  this  challenge,  an  autoencoder-based  dimension  reduction  method,  AutoCITE  is  developed.  It  integrates  the  protein  data  and  RNA  data,  thereby  improving  the  accuracy  of  downstream  cell  type  identification  for  CITE-seq  data.
■590    ▼aSchool  code:  0009.
■650  4▼aBiostatistics.
■650  4▼aBioinformatics.
■650  4▼aCellular  biology.
■650  4▼aGenetics.
■653    ▼aMicroarrays
■653    ▼aBiomedicine
■653    ▼aExpression  levels
■690    ▼a0308
■690    ▼a0715
■690    ▼a0379
■690    ▼a0369
■71020▼aThe  University  of  Arizona▼bBiosystems  Analytics  &  Technology..
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0009
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934794▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024