Existuje několik výpočetních metod, které se o to snaží (nikdy jsem je nepoužíval, takže žádné zkušenosti):

1. CellMix, založený na sadách markerového genu seznamy
2. Predikce podmnožiny z Enrichment Correlation, která je založena na korelacích s geny specifickými pro podmnožinu napříč sadou vzorků.
3. Obohacení typu buněk, která využívá naši vysoce exprimovanou buněčnou specifickou genovou databázi
4. Analýza významnosti specifické pro daný typ buňky s použitím diferenciální genové exprese pro každý buněčný typ
ol >

Možná budete muset pro některé z metod získat určité úrovně referenčních výrazů z veřejných databází nebo článků.

Je třeba mít na paměti jednu věc: ve skutečnosti nemůžete vypočítat poměr buněk, pouze podíl RNA. Pokud máte dobrý důvod předpokládat, že množství RNA na buňku je velmi podobné, je to dobrý ukazatel pro poměr buněk v tkáni.

Dekonvoluce buněk je zmíněna v tomto příspěvku Biostars, který zmiňuje CIBERSORT pro směsi imunitních buněk, a v balíčku Bioconductor DeconRNASeq.

Pokud jde o Jsem si vědom, že je možné přinejmenším získat proporční zastoupení pro transkriptový výraz ze standardních výsledků vysoce výkonného sekvenování, protože sekvencery a pracovní postup přípravy vzorků jsou navrženy takovým způsobem, že je vydáván stejný počet čtení bez ohledu na vstupní částka.

Můžete si stáhnout veřejná jednobuněčná data RNA-seq nebo hromadná RNA-seq pro purifikované primární buňky pro referenci a poté použít CIBERSORT nebo MuSiC k dekonvolvování. kompatibilní, TPM z RNA-seq lze porovnat s CPM ve 3 '(10X, Drop-seq atd.) jednobuněčných datech a TPM v jednobuněčných datech plné délky (SMARTseq atd.)

Vlastně před měsícem jsem hledal stejnou otázku a našel jsem několik balíčků, které lze použít. Nejdůležitější ze všech jejich funkcí může být odhad buněčných proporcí, odhad buněčné specifické genové exprese nebo obě tyto funkce. Zadruhé, jejich primárním vstupem jsou podle očekávání hromadná data RNA-seq a někteří také chtějí jako sekundární vstup jednobuněčná data RNA-seq. Nejpopulárnějším z nich je dítě slavného cibersortu CIBERSORTX. Prošel jsem jejich web a přečetl si návody. Mají několik ukázkových datových sad, které lze použít pro učení jejich platformy. Dvě největší chyby však byly v tom, že nesdíleli svůj zdrojový kód, což znamená, že nemůžeme reprodukovat výsledek na našich vlastních systémech a musíme nahrát všechna naše data na servery Stanford (bezpečnostní obavy!). Druhým problémem je, že na jejich server neexistuje přístup API a vše by mělo být prováděno online, což znamená velmi nízkou kompatibilitu s jinými nástroji.

Myšlenka pomocí dekonvoluce a hlubokého učení k odvození hromadné subpopulace buněk RNA-seq, je skvělé. Hledal jsem tedy, zda i ostatní udělali něco podobného a možná ještě lepšího. Našel jsem další tři nástroje:

1. MuSiC: https://www.nature.com/articles/s41467-018-08023-x
   Publikováno v komunikaci o přírodě a o několik měsíců starší než cibersortx. Jejich algoritmus jsem zatím neštudoval, takže nemohu říci, zda je jejich metoda lepší než cibersortx nebo ne. Část, která dělá rozdíl, je však v tom, že všechna jejich díla, včetně jejich zdrojového kódu, jsou open-source. Mám tedy přístup k jejich kódu a nemusíme nahrávat naše nepublikovaná data na nějaký nezabezpečený online server (na rozdíl od cibersortx). Druhá dobrá věc je, že je implementována v jazyce R, který používám pro většinu svých analýz dat RNA-seq, takže je snadno kompatibilní s jinými nástroji.

2. Scaden: https://advances.sciencemag.org/content/6/30/eaba2619.full Tenhle je také open-source a snadno dostupný. Je napsán v Pythonu a běží v shellu. Je tedy poněkud kompatibilní s jinými nástroji (ne tak kompatibilní jako MuSic). Znovu můžeme zpracovávat naše data lokálně a nemusíme je nahrávat na žádné servery (což je dobré). Tvrdí, že jejich metoda má lepší korelaci se skutečnými scRNA-seq daty než cibersortx i MuSic (ne vždy !!). Spuštění jejich nástrojů se zdá snadné na základě jejich výukových programů (zatím jsem je v mém systému nespustil!). Jejich výukové programy se však zdají být trochu matoucí a zdá se, že jsou stále v pre-release verzi a mají chyby !!

3. CDSeq: https: / /github.com/kkang7/CDSeq_R_Package Nakonec jsem našel balíček CDSeq, který nepotřebuje žádný vstup scRNA-seq, aby našel proporce jednotlivých buněk a expresi genů specifických pro buňky v hromadných datech. Prostě to dostane vaše počítá jako vstup a informace o velmi málo parametrů a dělá to všechno automaticky a překvapivě dobře, zkontroloval jsem to! Pokud najdete vzor genové exprese svých konkrétních buněk a použijete jej také jako vstup, je volitelný, poskytne vám ještě lepší odhad.