MARC

 008250123s2024        us                              c    eng  d
■001000017160445
■00520250211151021
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383565797
■035    ▼a(MiAaPQ)AAI30996481
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aQu,  Rihao.
■24510▼aDeriving  Cell  and  Gene  Dynamics  From  Single-Cell  Omics  Data
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a92  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Yuval,  Kluger;Flavell,  Richard  A.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2024.
■520    ▼aSingle-cell  sequencing  techniques  have  revolutionized  our  understanding  of  cellular  diversity  within  tissues  and  organs.  Typically,  single-cell  data  is  preprocessed  into  a  feature-by-cell  count  matrix,  where  feature  values  represent  gene  expression,  chromatin  accessibility,  protein  levels,  etc.  In  the  realm  of  computational  analysis,  cells  are  conceptualized  as  points  in  a  high-dimensional  feature  space.  Under  distinct  conditions  or  due  to  experimental  perturbations,  specific  cellular  states  may  exhibit  differential  abundance.  This  can  be  detected  by  comparing  cell  density  distributions  within  the  feature  space.  In  Chapter  1,  we  present  a  novel  computational  framework  by  employing  a  random-walk-based  local  two-sample  test.  This  approach  enables  multiscale,  cluster-free,  differential  cell  abundance  analysis  with  rigorous  statistical  guarantees.  Through  applications  to  real-world  datasets,  our  approach  captures  meaningful  variations  in  cell  abundance  between  different  biological  conditions  and  provides  new  biological  insights.Beyond  comparing  cellular  profiles  across  various  datasets,  each  dataset  itself  often  encapsulates  a  variety  of  cellular  states  that  underlie  dynamic  processes  such  as  cell  cycle  and  tissue/organ  differentiation.  Current  cell  trajectory  inference  approaches  use  single-cell  whole-transcriptome  data  to  organize  cells  into  lineages  and  assign  pseudotime  to  them.  However,  many  complex  biological  processes  are  orchestrated  by  multiple  gene  programs,  some  of  which  co-occur  in  an  intertwined  manner  (e.g.,  cell  differentiation  coupled  with  cell  cycle).  If  different  sets  of  genes  drive  multiple  processes  in  the  same  group  of  cells,  these  cells  tend  to  organize  into  a  manifold  with  an  intrinsic  dimension  greater  than  1.  Consequently,  determining  a  unidimensional  lineage  for  these  cells  and  constructing  a  meaningful  cell  pseudotime  becomes  impractical.To  overcome  this  limitation,  we  have  developed  a  new  approach,  GeneTrajectory,  that  constructs  trajectories  of  genes  rather  than  trajectories  of  cells.  GeneTrajectory  automatically  dissects  out  gene  programs  from  the  whole  transcriptome,  eliminating  the  need  for  initial  cell  trajectory  construction  or  specification  of  the  initial  and  terminal  cell  states  for  each  process.  This  makes  it  broadly  applicable,  even  to  a  cell  cloud  with  a  non-curvilinear  geometric  structure.  Using  this  method,  genes  that  sequentially  contribute  to  a  given  biological  process  can  be  extracted  and  then  organized  into  a  gene  trajectory.  The  ordering  of  genes  along  each  gene  trajectory  implies  the  successive  order  of  gene  activity  during  each  underlying  biological  process.  By  deconvolving  co-occurring  processes,  each  process  (e.g.,  lineage  differentiation)  can  be  purely  represented,  excluding  irrelevant  biological  effects  from  the  other  processes.  We  demonstrate  the  utility  and  advantages  of  GeneTrajectory  through  applications  to  two  real-world  biological  datasets  in  Chapter  2.Throughout  my  Ph.D.,  we  harnessed  cutting-edge  single-cell  analysis  methods  to  explore  diverse  biological  systems.  In  Chapter  3,  we  summarize  our  endeavors  to  resolve  a  fast  transition  process  during  the  early  embryonic  stage  of  mouse  hair  follicle  genesis.  We  integrated  comparative  analysis  tools  to  dissect  out  transcriptome  differences  between  multiple  pairs  of  wildtype  and  mutant  samples,  unraveling  the  molecular  mechanisms  that  orchestrate  cellular  fate  during  this  developmental  process.
■590    ▼aSchool  code:  0265.
■650  4▼aBiology
■650  4▼aBioinformatics
■650  4▼aCellular  biology
■650  4▼aDevelopmental  biology
■650  4▼aGenetics
■653    ▼aComparative  analysis
■653    ▼aDifferential  abundance  analysis
■653    ▼aGene  trajectory  inference
■653    ▼aSingle-cell  omics
■653    ▼aGene  dynamics
■653    ▼aSingle-cell  sequencing
■690    ▼a0306
■690    ▼a0715
■690    ▼a0379
■690    ▼a0369
■690    ▼a0758
■71020▼aYale  University▼bComputational  Biology  and  Bioinformatics.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160445▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서