MARC

 008260126s2023        us                              c    eng  d
■001000017359238
■00520260202104854
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288816093
■035    ▼a(MiAaPQ)AAI32200990
■035    ▼a(MiAaPQ)Stanfordsc179fc4984
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a612.8
■1001  ▼aChou,  Peter  James.
■24510▼aTechnologies  for  Mapping  the  Spatial  Architecture  of  Complex  Tissues
■260    ▼a[Sl]▼bStanford  University▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a77  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Harbury,  Pehr.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2023.
■520    ▼aSingle-cell  RNA  sequencing  (scRNA-seq)  is  generating  an  expanding  wealth  of  comprehensive  single  cell  expression  profiles  of  tissues  in  health  and  disease,  however  spatial  information  is  missing  and  specific  cell  classes  may  be  systematically  under-represented  because  of  difficulty  in  viably  isolating  them.  The  next  major  challenge  is  to  map  how  RNA  expression  is  spatially  organized,  which  has  been  termed  spatial  transcriptomics.  Here,  we  report  a  simple  strategy  to  efficiently  and  inexpensively  map  inferred  cell  types  based  on  single-cell  sequencing  data  back  into  a  3D  volume  of  tissue,  a  process  we  call  "back-mapping."  Our  approach  begins  with  a  machine-learning  algorithm  that  identifies  a  minimal  panel  of  moderate  to  highly  expressed  transcripts  that  in  combination  distinguish  every  cell  type  in  a  scRNA-seq  dataset.  The  target  tissue  is  then  fixed  and  embedded  in  a  physically  durable  hydrogel  that  is  stained  for  proteins  of  interest  prior  to  multiplex  in  situ  hybridization  for  the  transcript  panel.  These  tissues  are  optically  imaged  in  3D,  single  cell  profiles  generated  in  an  automated  fashion,  then  scRNA-seq  classes  inferred  and  displayed  in  3D.  In  many  cases  it  is  possible  to  visualize  the  cytoplasmic  volume  of  cells  to  display  cytological  features  based  on  RNA  expression.  As  a  demonstration,  we  "back-map"  the  Tabula  Muris  lung  dataset  into  intact  mouse  lung  and  illustrate  candidate  ligand-receptor  interactions  between  neighboring  cells.  Using  our  strategy,  biologists  can  easily  and  affordably  take  their  single-cell  RNA  sequencing  dataset  of  their  healthy  or  diseased  tissue  and  generate  a  map  at  single-cell  resolution  map,  merely  by  staining  for  tens  of  transcripts.
■590    ▼aSchool  code:  0212.
■650  4▼aNeurobiology
■650  4▼aPublic  speaking
■650  4▼aMolecular  biology
■650  4▼aLabeling
■650  4▼aHybridization
■650  4▼aChemistry
■650  4▼aNeurosciences
■650  4▼aGenes
■650  4▼aStains  &  staining
■650  4▼aCells
■650  4▼aMicroscopy
■650  4▼aMedical  research
■650  4▼aStreptococcus  infections
■650  4▼aImmunohistochemistry
■650  4▼aMorphology
■653    ▼aSingle-cell  RNA  sequencing
■653    ▼aCytoplasmic  volume
■653    ▼aCell  expression  profiles
■690    ▼a0307
■690    ▼a0287
■690    ▼a0485
■690    ▼a0317
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359238▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서