MARC

 008260126s2025        us                              c    eng  d
■001000017358825
■00520260202104757
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290652757
■035    ▼a(MiAaPQ)AAI32151393
■035    ▼a(MiAaPQ)Caltech17389
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a571.6
■1001  ▼aFang,  Meichen.
■24512▼aA  Biophysical  Approach  to  Normalization  and  Trajectory  Inference  in  Single-Cell  RNA  Sequencing  Data  Analysis
■260    ▼a[Sl]▼bCalifornia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a121  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Pachter,  Lior.
■5021  ▼aThesis  (Ph.D.)--California  Institute  of  Technology,  2025.
■520    ▼aSingle-cell  genomics  assays,  particularly  single-cell  RNA  sequencing  that  enables  genome-wide  profiling  of  gene  expression,  have  been  driven  forward  by  a  combination  of  technological  and  computational  advances.  While  producing  extraordinary  large  amounts  of  data  for  biological  discovery,  methods  for  mining  results  currently  rely  heavily  on  heuristics  and  lack  of  modeling  has  resulted  in  limited  mechanistic  biological  insight.  This  thesis  presents  two  models  for  normalization  and  trajectory  inference  in  single-cell  RNA  sequencing  analysis  to  demonstrate  how  biophysical  modeling,  when  combined  with  principled  statistical  inference,  can  yield  interpretable  insights  grounded  in  rigorous  theoretical  frameworks.We  begin  by  explaining  the  two  cultures  in  single-cell  RNA  sequencing  analysis.  Next,  we  present  the  chemical  master  equation,  which  forms  the  theoretical  foundation  for  biophysically  informed  stochastic  models  of  gene  expression,  and  explore  an  existing  gap  in  developing  uniform  approximations  over  time  under  the  large-volume  limit.  Returning  to  scRNA-seq  data  analysis,  we  introduce  two  mechanistic  models  for  normalization  and  trajectory  inference,  which  are  essential  components  of  scRNA-seq  analysis.
■590    ▼aSchool  code:  0037.
■650  4▼aCells
■650  4▼aRNA  polymerase
■650  4▼aGene  expression
■650  4▼aChemical  reactions
■650  4▼aBar  codes
■650  4▼aGenomes
■650  4▼aStochastic  models
■650  4▼aProbability  distribution
■650  4▼aOrdinary  differential  equations
■650  4▼aGenetics
■650  4▼aBioengineering
■650  4▼aBiomedical  engineering
■653    ▼aSingle-cell  genomics
■653    ▼aRNA
■653    ▼aGenome-wide  profiling
■653    ▼aGene  expression
■653    ▼aBiophysical  modeling
■690    ▼a0202
■690    ▼a0541
■690    ▼a0369
■71020▼aCalifornia  Institute  of  Technology▼bBiology  and  Biological  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0037
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358825▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books