MARC

 008250123s2024        us                              c    eng  d
■001000017162068
■00520250211151520
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383217788
■035    ▼a(MiAaPQ)AAI31301368
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aKalhor,  Kian.
■24510▼aMapping  Human  Tissues  With  Spatial  Transcriptomics
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a137  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Zhang,  Kun;Mali,  Prashant.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aThe  structure  and  function  of  tissues  are  highly  intertwined,  necessitating  an  understanding  of  their  architecture  to  comprehend  their  normal  and  pathological  states.  While  traditional  histology  and  immunostaining  offer  high  spatial  resolution,  they  are  limited  in  molecular  resolution.  Conversely,  single-cell  sequencing  provides  molecular  resolution  but  lacks  spatial  context  due  to  tissue  dissociation.  Spatial  transcriptomics  bridges  this  gap  by  combining  microscopy  and  DNA  technology,  enabling  high  resolution  molecular  readouts  with  spatial  information.In  the  first  part  of  this  dissertation,  we  utilize  a  spatial  RNA  capture  technology  to  map  cell  types  in  the  human  kidney  at  a  near-cellular  resolution,  revealing  cellular  neighborhoods  across  different  anatomical  regions  of  the  kidney,  identifying  niches  for  novel  populations,  and  uncovering  strong  mitochondrial  gene  expression  patterns  in  a  specific  epithelial  subtype.While  sequencing-based  methods  have  a  fixed  spatial  resolution,  multiplexed  in  situ  detection  methods  offer  cellular  resolution  but  face  challenges  in  sensitivity,  throughput,  and  cost  which  severely  limit  their  application  in  human  sections  that  are  large  and  have  low  quality.  In  aim  2,  I  developed  a  novel  multiplexed  in  situ  RNA  detection  method,  DART-FISH,  capable  of  profiling  hundreds  of  genes  in  large  human  tissue  sections  with  ease  of  implementation.  I  further  developed  an  accompanying  suite  of  computational  tools  for  designing  and  processing  the  output  of  in  situ  experiments.  Finally,  in  aim  3,  the  utility  of  DART-FISH  is  demonstrated  by  applying  it  to  multiple  tissue  types.  This  includes  the  human  brain  where  the  layered  organization  of  excitatory  neurons  was  recapitulated  and  a  rare  subclass  of  inhibitory  neurons  uncovered.  In  the  human  kidney,  I  profiled  healthy  and  pathological  cell  states  in  the  cortex,  and  identified  interactions  between  disease-altered  epithelial  cells  and  myofibroblasts.  Finally,  I  showed  how  DART-FISH  can  be  utilized  for  organ-scale  measurements  by  imaging  a  cross  section  of  a  mouse  kidney  where  all  segments  of  the  nephron  can  be  visualized  and  pathological  neighborhoods  can  be  systematically  analyzed  with  single-cell  resolution.  In  summary,  this  dissertation  provides  several  experimental  and  computational  solutions  to  advance  the  field  of  spatial  transcriptomics  and  lower  its  cost.  It  also  shows  the  application  of  spatial  transcriptomics  to  map  the  architecture  of  human  and  mouse  tissues.
■590    ▼aSchool  code:  0033.
■650  4▼aBioengineering
■650  4▼aCellular  biology
■650  4▼aPathology
■650  4▼aBioinformatics
■650  4▼aMolecular  biology
■653    ▼aTissues
■653    ▼aInhibitory  neurons
■653    ▼aEpithelial  cells
■653    ▼aSpatial  transcriptomics
■690    ▼a0202
■690    ▼a0379
■690    ▼a0307
■690    ▼a0715
■690    ▼a0571
■71020▼aUniversity  of  California,  San  Diego▼bBioengineering.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162068▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서