集成单细胞转录组数据在不同的条件下,技术,和物种

1. 克莱恩,上午et al .液滴条码单细胞转录组应用于胚胎干细胞。细胞161年,1187 - 1201 (2015)。

   文章中科院谷歌学术搜索

2. Zilionis, r . et al .单细胞条码使用液滴微流体和测序。Protoc Nat。1244 - 73 (2017)。

   文章中科院谷歌学术搜索

3. Macosko E.Z. et al。高度并行的单个细胞的全基因组表达分析使用只滴。细胞161年,1202 - 1214 (2015)。

   文章中科院谷歌学术搜索

4. 郑,G.X.Y. et al .大规模并行数字单个细胞的转录分析。Commun Nat。814049 (2017)。

   文章中科院谷歌学术搜索

5. Shekhar、k等。全面由单细胞转录组视网膜双极神经元的分类。细胞166年,1308 - 1323。e30 (2016)。

   文章中科院谷歌学术搜索

6. 同时,A.-C。et al .单细胞RNA-seq揭示了新类型的人类血液树突细胞,单核细胞和祖细胞。科学356年eaah4573 (2017)。

   文章谷歌学术搜索

7. 杰尔et al。细胞命运决定的动力学和监管者pseudotemporal排序显示的单个细胞。生物科技Nat。》。32,381 - 386 (2014)。

   文章中科院谷歌学术搜索

8. 韦尔奇,法学博士,Hartemink, A.J. & Prins, J.F. SLICER: inferring branched, nonlinear cellular trajectories from single cell RNA-seq data.基因组医学杂志。17106 (2016)。

   文章谷歌学术搜索

9. Satija, R。,Farrell, J.A., Gennert, D., Schier, A.F. & Regev, A. Spatial reconstruction of single-cell gene expression data.生物科技Nat。》。33,495 - 502 (2015)。

   文章中科院谷歌学术搜索

10. Achim, k等。高通量的空间映射单细胞RNA-seq数据组织的起源。生物科技Nat。》。33,503 - 509 (2015)。

    文章中科院谷歌学术搜索

11. DeLaughter D.M. et al。单细胞解决时序基因表达在心脏发育。Dev细胞。39,480 - 490 (2016)。

    文章中科院谷歌学术搜索

12. Bendall,南卡罗来纳州et al .单细胞轨迹检测揭示发展和监管协调人类B细胞的发展。细胞157年,714 - 725 (2014)。

    文章中科院谷歌学术搜索

13. 布莱克利正在,p . et al .定义三个由单细胞RNA-seq人类胚泡的细胞谱系。发展142年3613 (2015)。

    文章谷歌学术搜索

14. 约翰逊,M.B. et al。单细胞分析揭示转录在人类大脑皮层神经祖细胞的异质性。Nat。>。18行(2015)。

    文章谷歌学术搜索

15. Regev, a . et al .人类细胞图谱。Elife6行(2017)。

    文章谷歌学术搜索

16. Kharchenko,票面价值,Silberstein, L. & Scadden, D.T. Bayesian approach to single-cell differential expression analysis.Nat方法。11,740 - 742 (2014)。

    文章中科院谷歌学术搜索

17. Finak g . et al .桅杆:灵活的统计框架来评估转录变化和特征异质性RNA单细胞测序数据。基因组医学杂志。16278 (2015)。

    文章谷歌学术搜索

18. 王,B。,Zhu, J., Pierson, E., Ramazzotti, D. & Batzoglou, S. Visualization and analysis of single-cell RNA-seq data by kernel-based similarity learning.Nat方法。14,414 - 416 (2017)。

    文章中科院谷歌学术搜索

19. Kiselev V.Y. et al . SC3:共识单细胞RNA-seq数据的聚类。Nat方法。14,483 - 486 (2017)。

    文章中科院谷歌学术搜索

20. 林,P。,Troup, M. & Ho, J.W.K. CIDR: Ultrafast and accurate clustering through imputation for single-cell RNA-seq data.基因组医学杂志。1859 (2017)。

    文章谷歌学术搜索

21. 普拉巴卡兰,S。,Azizi, E. & Pe'er, D. Dirichlet process mixture model for correcting technical variation in single-cell gene expression data.Proc。第33 Int,相依。马赫。学习。48,1070 - 1079 (2016)。

    谷歌学术搜索

22. Ntranos, V。,Kamath, G.M., Zhang, J.M., Pachter, L. & Tse, D.N. Fast and accurate single-cell RNA-seq analysis by clustering of transcript-compatibility counts.基因组医学杂志。17112 (2016)。

    文章谷歌学术搜索

23. 徐,c &苏z细胞类型的识别从单细胞转录组使用一种新的聚类方法。生物信息学31日,1974 - 1980 (2015)。

    文章中科院谷歌学术搜索

24. Lei, Z。,Bai, Q., He, R. & Li, S.Z. Face shape recovery from a single image using CCA mapping between tensor spaces.26日设计。第一版。CVPR粘度模式识别doi: 10.1109 / CVPR.2008.4587341 (2008)。

25. 周,F &老爹,F。先进的神经信息处理系统22;少量的2009 (eds。Y Bengio Y。,Schuurmans, D., Lafferty, J.D., Williams, C.K.I. & Culotta, A.)https://papers.nips.cc/paper/3728-canonical-time-warping-for-alignment-of-human-behavior(神经信息处理系统的基础上,Inc ., 2009)。

26. 王,c &马哈,sProc。第二十二国际联合会议上人工智能,卷2 (ed。沃尔什,t .)1541 - 1546 (AAAI, 2011)。

27. 黄,H。他,H。,Fan, X. & Zhang, J. Super-resolution of human face image using canonical correlation analysis.Recognit模式。43,2532 - 2543 (2010)。

    文章谷歌学术搜索

28. 霍特林,h .两组变量之间的关系。生物统计学28,321 - 377 (1936)。

    文章谷歌学术搜索

29. 哈同,是由,Szedmak, S. & Shawe-Taylor, J. Canonical correlation analysis: an overview with application to learning methods.神经第一版。16,2639 - 2664 (2004)。

    文章谷歌学术搜索

30. 威滕,D.M.,Tibshirani, R。&Hastie, T. A penalized matrix decomposition, with applications to sparse principal components and canonical correlation analysis.生物统计学10,515 - 534 (2009)。

    文章谷歌学术搜索

31. Le曹K.-A。,Martin, P.G., Robert-Granié, C. & Besse, P. Sparse canonical methods for biological data integration: application to a cross-platform study.BMC生物信息学1034 (2009)。

    文章谷歌学术搜索

32. Waaijenborg。,Verselewel de Witt Hamer, P.C. & Zwinderman, A.H. Quantifying the association between gene expressions and DNA-markers by penalized canonical correlation analysis.Stat .。麝猫。摩尔。杂志。7e3 (2008)。

    文章谷歌学术搜索

33. Kettenring, j .的几组典型相关分析变量。生物统计学58,433 - 451 (1971)。

    文章谷歌学术搜索

34. 尼尔森,多重集典型相关性分析和多光谱,真正多瞬时遥感数据。IEEE反式。图像的过程。11,293 - 305 (2002)。

    文章谷歌学术搜索

35. Berndt, d & Clifford j .使用动态时间扭曲在时间序列中找到模式。工作。"。"。越是加大。数据库398年,359 - 370 (1994)。

    谷歌学术搜索

36. Kang莫莱森et al。多路复用滴单细胞RNA-sequencing使用自然的遗传变异。生物科技Nat。》。36,89 - 94 (2018)。

    文章中科院谷歌学术搜索

37. Nestorowa, s . et al .单细胞决议小鼠造血干细胞和祖细胞分化的地图。血128年e20-e31 (2016)。

    文章中科院谷歌学术搜索

38. 保罗,f . et al .转录髓系祖细胞的异质性与血统的承诺。细胞163年,1663 - 1677 (2015)。

    文章中科院谷歌学术搜索

39. Adolfsson, j . et al .识别Flt3 + lympho-myeloid干细胞缺乏erythro-megakaryocytic潜在修订的路线图成人血血统的承诺。细胞121年,295 - 306 (2005)。

    文章中科院谷歌学术搜索

40. Lacar b . et al .正误表:核RNA-seq单一神经元激活的分子签名。Commun Nat。815047 (2017)。

    文章中科院谷歌学术搜索

41. 波里,a . et al . CD56bright自然杀伤(NK)细胞:一个重要的NK细胞的子集。免疫学126年,458 - 465 (2009)。

    文章中科院谷歌学术搜索

42. 男爵,m . et al .单细胞转录组的人类和小鼠胰腺地图揭示了国米,intra-cell人口结构。细胞系统。3,346 - 360。e4 (2016)。

    文章中科院谷歌学术搜索

43. Scheuner d &考夫曼R.J.展开蛋白质反应:有关β-cell衰竭和糖尿病患者胰岛素的需求。Endocr。牧师。29日,317 - 333 (2008)。

    文章中科院谷歌学术搜索

44. 沃尔特,W。,Sánchez-Cabo, F. & Ricote, M. GOplot: an R package for visually combining expression data with functional analysis.生物信息学31日,2912 - 2914 (2015)。

    文章中科院谷歌学术搜索

45. 江,H.-Y。et al .激活转录因子3是积分的真核起始因子2激酶压力反应。摩尔。细胞。医学杂志。24,1365 - 1377 (2004)。

    文章中科院谷歌学术搜索

46. 爸爸,F.R.内质网压力,胰腺β-cell变性,和糖尿病。冷泉哈布。教谕。地中海。2a007666 (2012)。

    文章谷歌学术搜索

47. Conesa, A . et al . RNA-seq的最佳实践的调查数据分析。基因组医学杂志。1713 (2016)。

    文章谷歌学术搜索

48. 约翰逊,真实再现,Li, C. & Rabinovic, A. Adjusting batch effects in microarray expression data using empirical Bayes methods.生物统计学8,118 - 127 (2007)。

    文章谷歌学术搜索

49. •里奇、等人limma权力分析RNA-sequencing与微阵列研究微分表达式。核酸Res。43e47 (2015)。

    文章谷歌学术搜索

50. 湖,博et al .神经元亚型和多样性了single-nucleus RNA序列的人类大脑。科学352年,1586 - 1590 (2016)。

    文章中科院谷歌学术搜索

51. Ziegenhain, c . et al。RNA单细胞测序方法的比较分析。摩尔。细胞65年,631 - 643。e4 (2017)。

    文章中科院谷歌学术搜索

52. Svensson诉et al。权力分析单细胞RNA-sequencing实验。Nat方法。14,381 - 387 (2017)。

    文章中科院谷歌学术搜索

53. 破车,摩根大通(J.P. et al。全基因组RNA断层在斑马鱼胚胎。细胞159年,662 - 675 (2014)。

    文章中科院谷歌学术搜索

54. 李,J.H. et al .高度多路亚细胞RNA原位测序。科学343年,1360 - 1363 (2014)。

    文章中科院谷歌学术搜索

55. 斯特尔,P.L. et al .可视化和分析空间转录组基因表达的组织部分。科学353年,78 - 82 (2016)。

    文章谷歌学术搜索

56. Scialdone, a . et al .解决早期中胚层多元化通过单细胞分析表达式。自然535年,289 - 293 (2016)。

    文章中科院谷歌学术搜索

57. Tirosh, i . et al .解剖的多细胞生态系统由单细胞RNA-seq转移性黑素瘤。科学352年,189 - 196 (2016)。

    文章中科院谷歌学术搜索

58. Ilicic, t . et al。从单细胞RNA-seq数据分类的低质量的细胞。基因组医学杂志。17,29岁(2016年)。

    文章谷歌学术搜索

59. Dudoit, S。,Fridlyans, J. & Speed, T.P. Comparison of discrimination methods for the classification of tumors using gene expression data.j。统计协会。97年,77 - 87 (2002)。

    文章中科院谷歌学术搜索

60. Tibshirani, R。Hastie, T。,Narasimhan, B. & Chu, G. Class prediction by nearest shrunken centroids, with applications to DNA microarrays.统计科学。18,104 - 117 (2003)。

    文章谷歌学术搜索

61. Baglama, j . & Reichel l .增强隐式地重启兰索斯bidiagonalization方法。暹罗j .科学。第一版。(2005)。

62. Giorgino, t .计算和可视化动态时间扭曲排列在R: dtw包。Softw j . Stat。31日- 24 (2009)。

    文章谷歌学术搜索

63. Waltman l . & Van Eck,新泽西州一个聪明的地方移动大规模modularity-based社区检测算法。欧元。理论物理。j·B86年1-33 (2013)。

    文章谷歌学术搜索

64. Van Der Maaten, l .加速t-SNE使用基于树的算法。j·马赫。学习。Res。1521 (2014)。

    谷歌学术搜索

65. 理查兹,j . diffusionMap:扩散映射。(2014)https://cran.r-project.org/package=diffusionMap。

66. Hastie, t & Stuetzle w .主曲线。j。统计协会。84年502 (1989)。

    文章谷歌学术搜索

67. 年代最初是特雷弗Hastie R由Andreas Weingessel港口。princurve:适合主曲线在任意维度。https://cran.r-project.org/package=princurve(2013)。

68. 曾,G.C.,Ghosh, D. & Feingold, E. Comprehensive literature review and statistical considerations for microarray meta-analysis.核酸Res。40,3785 - 3799 (2012)。

    文章中科院谷歌学术搜索

69. Kuleshov号et al . Enrichr:一个全面的基因集富集分析web服务器2016年更新。核酸Res。44W90-W97 (2016)。

    文章中科院谷歌学术搜索

70. Mayer, c . et al .皮质抑制性中间神经元的发展多元化。自然555年,457 - 462 (2018)。

    文章中科院谷歌学术搜索

71. Picelli, s . et al .全身使用Smart-seq2 RNA-seq从单个细胞。Protoc Nat。9,171 - 181 (2014)。

    文章中科院谷歌学术搜索

下载参考