MARC

 008260126s2025        us                              c    eng  d
■001000017358039
■00520260202103635
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315799320
■035    ▼a(MiAaPQ)AAI32047458
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aYan,  Guanao.
■24510▼aAdvancing  Statistical  Rigor  in  Single-Cell  and  Spatial  Omics  Analysis  Through  In  Silico  Control  Data
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a198  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Li,  Jingyi.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aOver  the  past  decade,  single-cell  and  spatial  transcriptomics  technologies  have  transformed  our  ability  to  study  cellular  diversity  and  tissue  organization.  These  advances  have  led  to  the  rapid  development  of  computational  methods  for  analyzing  high-dimensional  omics  data.  However,  benchmarking  these  methods  and  ensuring  their  statistical  rigor  remain  challenging,  largely  due  to  the  absence  of  realistic  synthetic  data  with  ground  truths  and  the  conceptual  ambiguity  in  defining  key  biological  features  such  as  spatially  variable  genes  (SVGs).  This  dissertation  addresses  these  gaps  through  two  simulation  frameworks  and  a  comprehensive  review  that  improve  the  statistical  rigor  and  interpretability  of  tool  development  and  evaluation.My  first  project  introduces  scReadSim,  a  simulator  designed  to  generate  realistic  synthetic  data  for  single-cell  RNA  sequencing  (scRNA-seq)  and  chromatin  accessibility  profiling  (scATAC-seq).  It  produces  simulated  sequencing  reads  in  standard  formats  by  mimicking  the  characteristics  of  real  datasets,  while  allowing  users  to  specify  key  ground  truths,  such  as  transcript  abundance  for  scRNA-seq  and  cell-type-specific  open  chromatin  regions  for  scATAC-seq.  scReadSim  supports  flexible  simulation  settings,  including  varying  cell  numbers  and  sequencing  depths,  and  enables  systematic  benchmarking  of  preprocessing  tools.  Using  scReadSim,  we  show  that  UMI-tools  achieves  higher  accuracy  in  transcript  quantification  for  scRNA-seq,  while  HMMRATAC  and  MACS3  perform  best  in  peak  calling  for  scATAC-seq.My  second  project  presents  scIsoSim,  a  simulator  that  generates  single-cell  RNA  sequencing  data  with  known  isoform  structures  and  their  corresponding  expression  levels.  In  gene  expression,  a  single  gene  can  give  rise  to  multiple  isoforms-different  versions  of  RNA  transcripts-through  a  biological  process  called  alternative  splicing,  where  segments  of  RNA  are  included  or  excluded  in  various  combinations.  scIsoSim  supports  widely  used  experimental  protocols,  including  Smart-seq2  and  10x  Genomics  3'  and  5'  platforms,  and  captures  realistic  splicing  patterns  observed  in  real  datasets.  This  tool  enables  systematic  evaluation  of  computational  methods  for  quantifying  isoform  expression  and  detecting  alternative  splicing  events.  Benchmarking  results  show  that  bulk  RNA-seq  tools,  such  as  Salmon,  perform  accurately  on  Smart-seq2  data  with  high  computational  efficiency.  In  contrast,  Scasa-the  only  existing  tool  for  10x  3'  data-shows  limited  accuracy  due  to  sparse  data.  Among  splicing  analysis  tools,  brie  demonstrates  better  overall  accuracy  than  outrigger  but  is  less  effective  in  detecting  cell-specific  splicing  events.My  third  project  is  a  review  of  34  state-of-the-art  SVG  detection  methods  for  spatial  transcriptomics  data.  The  review  introduces  a  new  categorization  framework  that  defines  SVGs  as  overall,  cell-type-specific,  or  spatial-domain-marker  genes,  based  on  their  spatial  expression  patterns  and  analytic  objectives.  It  summarizes  the  underlying  assumptions  and  statistical  hypothesis  tests  used  by  each  method,  and  discusses  trade-offs  between  power  and  specificity.  The  review  also  identifies  limitations  in  existing  benchmarks,  such  as  inappropriate  method  comparisons  and  oversimplified  simulation  designs,  and  calls  for  category-specific  benchmarking  using  well-annotated  datasets  and  realistic  simulators.
■590    ▼aSchool  code:  0031.
■650  4▼aStatistics
■650  4▼aCellular  biology
■650  4▼aBiostatistics
■650  4▼aGenetics
■653    ▼aIn  silico
■653    ▼aSimulator
■653    ▼aSingle  cell  omics
■653    ▼aSpatial  omics
■653    ▼aSpatially  variable  genes
■690    ▼a0463
■690    ▼a0379
■690    ▼a0369
■690    ▼a0308
■71020▼aUniversity  of  California,  Los  Angeles▼bStatistics  0891.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358039▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서