MARC

 008250123s2024        us                              c    eng  d
■001000017164514
■00520250211153012
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384044987
■035    ▼a(MiAaPQ)AAI31631463
■035    ▼a(MiAaPQ)umichrackham005584
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aKriebel,  April  R.
■24510▼aComputational  Methods  for  Linking  Molecular  and  Anatomical  Data  With  Spatial  Transcriptomics
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a222  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Welch,  Joshua.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aThe  ideology  of,  "To  understand  the  whole,  we  must  first  understand  its  parts"  lies  behind  much  of  recent  scientific  progress,  including  the  Human  Cell  Atlas  Project.  To  better  understand  the  body,  the  Human  Cell  Atlas  Project  strives  to  define  what  cells  compose  our  bodies.  A  cell's  identity  is  complex,  with  some  defining  characteristics  including  a  cell's  transcriptome,  epigenome,  spatial  location  within  an  organ  and  in  relation  to  other  cells,  and  how  that  cell  functions  from  a  physiological  perspective.  While  most  technologies  typically  assess  one  or  two  of  these  aspects  of  cellular  identity,  we  cannot  yet  measure  all  facets  in  a  single  assay.  Consequently,  existing  computational  methods  must  focus  on  stitching  these  individual  fragments  of  cellular  identity  into  a  single,  cohesive  cellular  profile.  The  focus  of  this  dissertation  is  the  development  of  computational  tools  to  facilitate  the  integration  of  molecular,  spatial,  anatomical,  and  physiological  data  to  define  more  panoramic  cellular  profiles.In  Chapter  II,  we  develop  UINMF,  an  integrative  non-negative  matrix  factorization  algorithm.  Most  methods  are  limited  to  integrating  single-cell  datasets  using  only  the  features  that  are  shared  between  all  datasets  in  the  integration.  Leveraging  only  shared  features  within  an  integration  is  particularly  problematic  for  spatial  transcriptomic  datasets  with  few  genes  and  cross-species  integrations  that  are  restricted  to  the  set  of  one-to-one  orthologous  genes  between  species.  UINMF  accommodates  the  unshared  features  into  each  iteration  of  the  objective  function,  allowing  relevant  unshared  features  to  help  shape  the  latent  space.  We  show  that  the  use  of  UINMF  to  include  unshared  features  improves  cross-modality  and  cross-species  analyses.In  Chapter  III,  we  generate  a  whole-brain  molecular  mouse  atlas  by  simultaneously  integrating  six  distinct  modalities.  We  integrate  epigenomic  and  transcriptomic  single-cell  and  single-nucleus  datasets  in  18  regions  across  the  mouse  brain,  with  each  region  being  analyzed  in  3  refined  sub-analyses:  non-neuronal  cells,  excitatory  neurons,  and  inhibitory  and  other  neurons.  After  manually  annotating  each  cluster,  we  derive  probable  spatial  distributions  for  the  molecular  cell  type  profiles  by  deconvolving  two  spatial  transcriptomics  datasets  with  two  separate  deconvolution  algorithms:  an  established  algorithm,  RCTD,  and  a  novel  deconvolution  algorithm,  SiNMFiD.  We  created  SiNMFiD  for  the  unique  challenge  of  deconvolving  expression  data  with  low  resolution.  Consequently,  we  construct  a  whole-brain  mouse  atlas  with  jointly  defined  molecular  profiles  and  accompanying  spatial  distributions.In  Chapter  IV,  we  leverage  a  common  coordinate  framework  to  integrate  the  spatially  resolved  molecular  profiles  from  our  whole-brain  atlas  with  anatomical  and  physiological  datasets.  Specifically,  we  explore  the  correlation  between  molecular  cell  types  and  vascular  density,  neuronal  projection  data,  and  c-Fos  activity  after  foot  shock.  We  determine  which  molecular  cell  type  profiles  are  highly  and  lowly  correlated  with  vascular  density  and  identify  distinct  cell  types  that  correspond  with  specific  neuronal  projection  patterns.  Using  c-Fos  data  captured  after  foot  shock,  we  capture  the  molecular  cell  types  most  associated  with  increased  c-Fos  activity  over  time  after  a  foot  shock  experiment.
■590    ▼aSchool  code:  0127.
■650  4▼aBioinformatics
■650  4▼aCellular  biology
■650  4▼aMolecular  biology
■650  4▼aPhysiology
■653    ▼aSingle  cell
■653    ▼aIntegrating  molecular  data
■653    ▼aSingle  cell  brain  atlas
■653    ▼aSpatial  transcriptomic
■690    ▼a0715
■690    ▼a0379
■690    ▼a0307
■690    ▼a0719
■71020▼aUniversity  of  Michigan▼bBioinformatics.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164514▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books