Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Gandkk. Genomik Medis BMC2018,11(Suppl 6):117

https://doi.org/10.1186/s12920-018-0433-z

RISET Akses terbuka

Identifikasi subtipe kanker dari data RNA-seq sel

tunggal menggunakan metode pengelompokan
konsensus
Yanglan Gan1, Ning Li1, Guobing Zou2, Yongchang Xin1dan Jihong Guan3*

DariKonferensi Internasional ke-29 tentang Informatika Genom

Yunnan, Tiongkok. 3-5 Desember 2018

Abstrak
Latar belakang:Kanker manusia adalah ekosistem kompleks yang terdiri dari sel-sel dengan tanda tangan molekuler yang berbeda.
Heterogenitas intratumoral seperti itu menimbulkan tantangan besar bagi diagnosis dan pengobatan kanker. Kemajuan terbaru dari teknik
sel tunggal seperti scRNA-seq telah membawa wawasan yang belum pernah terjadi sebelumnya ke dalam heterogenitas seluler.
Selanjutnya, masalah komputasi yang menantang adalah mengelompokkan kumpulan data bising dimensi tinggi dengan sel yang jauh
lebih sedikit daripada jumlah gen.

Metode:Dalam makalah ini, kami memperkenalkan conCluster kerangka kerja pengelompokan konsensus, untuk identifikasi subtipe kanker
dari data RNA-seq sel tunggal. Menggunakan strategi ensemble, conCluster menggabungkan beberapa partisi dasar ke cluster konsensus.

Hasil:Diterapkan pada set data scRNA-seq kanker nyata, conCluster dapat mendeteksi subtipe kanker secara lebih akurat daripada metode
pengelompokan scRNA-seq yang banyak digunakan. Selanjutnya, kami melakukan analisis jaringan ekspresi bersama untuk subtipe
melanoma yang teridentifikasi.

Kesimpulan:Analisis kami menunjukkan bahwa subtipe ini menunjukkan jaringan ko-ekspresi gen yang berbeda dan set gen
yang signifikan dengan pengayaan fungsional yang berbeda.

Kata kunci:Pengelompokan konsensus, heterogenitas intratumoral, Subtipe kanker, Pengurutan sel tunggal

Latar belakang Baru-baru ini, RNA-Seq sel tunggal (scRNA-seq)

Karakterisasi heterogenitas intratumoral sangat penting untuk
terapi kanker presisi, karena populasi sel yang beragam biasanya
memungkinkan kekambuhan dan resistensi terhadap pengobatan.
1]. Teknologi RNA-seq massal konvensional mengungkapkan
ekspresi gen rata-rata dari kumpulan sel, dan selanjutnya banyak
metode telah dikembangkan untuk menyimpulkan evolusi tumor
menggunakan data dari sekuensing massal sampel tumor [2,3].
Pendekatan ini memerlukan dekonvolusi sinyal campuran dari
subpopulasi tumor yang mendasarinya, yang seringkali ambigu.4].
* Korespondensi:jhguan@tongji.edu.cn
3Departemen Ilmu dan Teknologi Komputer, Universitas Tongji,
Shanghai, Cina
Daftar lengkap informasi penulis tersedia di akhir artikel
mengkuantifikasi ekspresi populasi seluler yang beragam
dan memungkinkan peneliti untuk menganalisis
perbedaan antar sel [5-7]. Karakterisasi penuh dari lanskap
transkripsi sel individu memiliki potensi besar untuk
mendeteksi subpopulasi tumor yang penting secara klinis,
pemahaman tentang heterogenitas tumor dan aplikasi
klinis lebih lanjut.8,9]. Pengelompokan data ekspresi sel
tunggal menyediakan cara intuitif untuk identifikasi tipe
sel dari massa sel heterogen, yang dapat digunakan dalam
analisis ekspresi hilir yang beragam [10-12].
Karena noise, dimensi tinggi, dan heterogenitas data, data
scRNA-seq yang baru diproduksi menimbulkan tantangan besar
bagi algoritma pengelompokan tradisional, seperti K-means,
pengelompokan hierarkis, dan pengelompokan spektral.13]. Salah
satu strategi yang layak adalah pertama-tama mengurangi

© Penulis. 2018Akses terbukaArtikel ini didistribusikan di bawah ketentuan Lisensi Internasional Creative Commons Attribution 4.0 (
http://creativecommons.org/licenses/by/4.0/), yang mengizinkan penggunaan, distribusi, dan reproduksi tanpa batas dalam media apa
pun, asalkan Anda memberikan kredit yang sesuai kepada penulis asli dan sumbernya, memberikan tautan ke lisensi Creative Commons,
dan menunjukkan jika ada perubahan. Pengabaian Dedikasi Domain Publik Creative Commons
(http://creativecommons.org/publicdomain/zero/1.0/) berlaku untuk data yang disediakan dalam artikel ini, kecuali dinyatakan lain.
Gandkk. Genomik Medis BMC2018,11(Suppl 6): 117 Halaman 66 dari 112

data dimensi ke dalam subruang dimensi yang lebih rendah
dan menerapkan pengelompokan tradisional ke data
pengurangan dimensi. Metode pengurangan dimensi yang
banyak digunakan termasuk analisis komponen utama (PCA) [
14] atau algoritma Embedding Stochastic Neighbor
sel tunggal ini, dengan mengontrol hubungan antara
ekspresi rata-rata dan variabilitas.
Langkah 2 Kurangi dimensi menggunakan t-SNE
Untuk lebih mengurangi dimensi, kami mengadopsi t-SNE yang banyak

Terdistribusi (t-SNE) [15]. Sementara itu, sejumlah metode digunakan untuk mengurangi data berdimensi tinggi menjadi

yang dirancang khusus untuk analisis scRNA-seq telah subruang dimensi yang lebih rendah. Secara rinci, kebingungan

diperkenalkan, termasuk Seurat [16], Rp [17], SNN-klik [18], merupakan parameter penting dari t-SNE, yang digunakan sebagai

SINCERA [19] dan SC3 [20]. Metode canggih ini telah sangat ukuran halus dari jumlah tetangga yang efektif. Studi sebelumnya

meningkatkan kemampuan analisis data scRNA-seq. Namun, menunjukkan bahwa kinerja t-SNE cukup kuat dengan perubahan

karena metode pengelompokan sebagian besar sensitif kebingungan antara 5 dan 50. Di sini, kami menetapkan kebingungan

terhadap kebisingan dan parameter awal, bagaimana sebagai 30 dan menggunakan t-SNE untuk mengurangi data ekspresi

mengelompokkan data scRNA-seq secara akurat di lingkungan scRNA yang difilter menjadi dua dimensi.

yang berbeda dan mengungkapkan wawasan biologis masih

merupakan tantangan besar [21].
Di sini, kami mengusulkan model pengelompokan konsensus, con-
Cluster, untuk identifikasi subtipe kanker dari data RNA-seq sel
tunggal. Secara khusus, conCluster pertama-tama memperoleh satu
set partisi dasar menggunakan pengelompokan tSNE+K-means dengan
parameter awal yang berbeda, dan kemudian menggabungkan partisi
yang berbeda ini ke dalam cluster konsensus. Metode conCluster kami
juga dapat dengan mudah diperluas untuk menggabungkan hasil
pengelompokan dari metode pengelompokan yang berbeda. Kami
menerapkan conCluster ke set data scRNA-seq kanker nyata, dan
selanjutnya membangun jaringan ko-ekspresi untuk subtipe kanker
yang diidentifikasi untuk menganalisis perbedaannya. Hasil
eksperimen menunjukkan efektivitas dan kekokohan conCluster
dibandingkan dengan lima metode clustering yang banyak digunakan.
Metode
Ikhtisar model conCluster
Untuk mengidentifikasi subtipe dari kumpulan sel kanker, kami
mengembangkan conCluster untuk menggabungkan beberapa
hasil pengelompokan. MembiarkanEN∗Gmenunjukkan matriks
ekspresi gen sel tunggal, di mana baris sesuai dengan sel yang
berbeda dan kolom sesuai dengan gen. Setiap elemen dariEaku j
sesuai dengan ekspresi genjdalamsayasel ke. Con-Cluster kami
mengambil matriks ekspresiEsebagai input, melalui empat
langkah, akhirnya mempartisiNsel menjadiKcluster,
direpresentasikan sebagaiC= {Ck|k=1, 2,· · · ,K}.Angka1
menunjukkan gambaran umum model conCluster yang diusulkan.
Berikut ini, kami akan menguraikan setiap langkah secara rinci.
Step3 Partisi sel dalam berbagai cara
Berdasarkan matriks data dua dimensi yang ditransformasi, kami
melakukan pengelompokan K-means dengan parameter awal
yang berbedaTkali untuk mendapatkan partisi dasar yang berbeda
untuk sel-sel tunggal. Pada langkah ini, kita juga dapat
menggunakan metode pengelompokan dasar lainnya. Untuk
setiap hasil pengelompokan individu, kami menurunkan matriks
binerBN∗Kto,yang dibangun berdasarkan label cluster yang sesuai
dariNsel, dimanaKto(t=1, 2,· · · ,T) adalah nomor klaster dalamt
partisi dasar. Untuk setiap baris dariBN∗Kto,hanya satu elemen
adalah 1, yang lain adalah 0.
Langkah4 Pengelompokan konsensus
Setelah mendapatkanTpartisi yang berbeda, kami menggabungkan
semua matriks biner itu menjadi matriks biner yang lebih besar B= {BN∗
Kto|t=1, 2,· · · ,T}.Selanjutnya, kami melakukan pengelompokan K-
means berdasarkan matriks biner gabungan. Di sini, Indeks Calinski-
Harabaz [22] digunakan untuk menentukan jumlah cluster. Kemudian
kami menggabungkan hasil dari masing-masing hasil pengelompokan
individu menjadi satu konsensus [23].
Metrik Evaluasi
Ketika label sel tersedia dalam kumpulan data, kami
mengadopsi indeks rand yang disesuaikan (ARI) untuk
mengukur akurasi pengelompokan [24]. Untuk satu setNsel
dan dua partisi yang berbeda dari sel-sel ini, tumpang tindih
antara dua partisi dapat diringkas dalam tabel kontingensi, di
mana setiap entri menunjukkan jumlah objek yang sama
antara dua partisi. ARI kemudian dihitung sebagai:
[ ]
() −
(sebuah)( )()
/n 2
naku j
saya bsaya

Langkah1 Filter gen 2 2 2

saya j
ARI= [ ] [ ]
aku j
Untuk fokus pada tanda tangan transkriptomik intrinsik dari sel-sel tumor
(sebuahsaya
) () (sebuah)( )()
ini, kami menyaring gen langka dan ada di mana-mana dan mengidentifikasi bsaya
2 + 2 /2 2
saya bsaya

2 /2 n
gen yang paling bervariasi di seluruh dataset sel tunggal. Pertama, karena saya j saya j
gen langka dan ada di mana-mana biasanya tidak berguna untuk
(1)
pengelompokan, kami menyaring gen yang diekspresikan dalam waktu
kurang darir% sel (gen langka) atau diekspresikan dalam setidaknya (100-r)% di mana (.) menunjukkan koefisien binomial,naku jadalah elemen
sel (gen di mana-mana). Seperti pada penelitian sebelumnya [22],rditetapkan dari tabel kontingensi,sebuahsayaadalah jumlah darisayabaris ke-
sebagai 6. Selanjutnya, kami mengidentifikasi set gen yang paling banyakv% tiga dari tabel kontingensi,bjadalah jumlah darijkolom th dari tabel
variabel di seluruh kontingensi.
Gandkk. Genomik Medis BMC2018,11(Suppl 6): 117
Gambar 1Alur kerja skematis dari conCluster
Kumpulan data
Data ekspresi sel tunggal dari dua studi scRNA-seq
baru-baru ini dipilih dari repositori data NCBI Gene
Expression Omnibus (GSE72056 [25], GSE73727 [26]).
Karena berisi jenis sel dalam publikasi asli, dapat digunakan
untuk lebih memvalidasi hasil pengelompokan metode yang
berbeda. Dalam studi ini, tipe sel ditentukan melalui proses
multi-tahap yang melibatkan informasi tambahan seperti
tanda tangan molekuler tipe sel. Dataset pertama berisi
kumpulan sel dari tumor melanoma manusia, terdiri dari 4645
sel tunggal yang diisolasi dari 19 pasien; dan dataset kedua
berasal dari pulau pankreas manusia, berisi 6 jenis sel pulau
manusia yang diketahui. Untuk memastikan kualitas data
yang baik, sampel dengan ukuran perpustakaan kurang dari
10.000 dikeluarkan. Kumpulan data yang diubah oleh logTPM
digunakan sebagai input dari metode yang berbeda.
Hasil
Evaluasi kinerja pada data RNA-seq sel tunggal
Untuk mengevaluasi kinerja sepenuhnya, kami membandingkan con-
Cluster dengan lima metode pengelompokan data scRNA-seq yang
banyak digunakan, termasuk pengelompokan spektral, tSNE+K-means,
SNN-Cliq, CIDR, dan SC3. Secara khusus, pengelompokan spektral
adalah metode pengelompokan tradisional yang efisien; tSNE+Kmeans
adalah K-means clustering yang dikombinasikan dengan teknik reduksi
dimensi nonlinier tSNE; SNN-Cliq mengadopsi pendekatan tetangga
terdekat bersama untuk menghitung kesamaan antara sel dan
melakukan sel tunggal
Halaman 67 dari 112
pengelompokan menggunakan model teori-grafik; CIDR
menggunakan pendekatan imputasi untuk mengurangi dampak
putus sekolah dalam data scRNA-seq dengan cara yang berprinsip;
dan SC3 mengubah matriks jarak sel-ke-sel dari pengelompokan
K-means individu untuk mendapatkan partisi konsensus. Untuk
menjalankan metode SC3 utama, parameter ks harus disetel.
Untuk CIDR, ada dua parameter (nPC dan nCluster). SNN-cliq
mengandalkan empat parameter (k, jarak r dan m). Kami mencoba
nilai yang berbeda dari parameter ini dan memilih nilai-nilai yang
memperoleh ARI tertinggi. Di sini, kami memilih dua set data RNA-
seq sel tunggal [GSE72056 dan GSE73727], karena berisi struktur
cluster yang sudah ada sebelumnya yang dapat digunakan untuk
validasi.
Angka2menunjukkan kinerja pengelompokan dari algoritma
yang berbeda yang diukur dengan indeks rand yang
disesuaikan (ARI). Untuk dataset GSE73727 dengan 6 cluster,
metode ini mencapai kinerja yang lebih baik ketika jumlah
cluster mendekati 6. Untuk dataset GSE72056 dengan 2 cluster
(tumor ganas dan jinak), kinerjanya paling baik ketika k sama
dengan 2. Secara keseluruhan, conCluster yang diusulkan
mengidentifikasi subtipe sel tunggal ini dengan lebih tepat,
sebagaimana tercermin oleh indeks rand yang disesuaikan
mendekati 0,9, yang lebih tinggi daripada lima metode yang
dibandingkan untuk kedua kumpulan data. Beberapa metode
seperti SNN-cliq dan SC3 bisa mendapatkan kinerja yang
sebanding dengan conCluster. Namun, kinerjanya tidak stabil
untuk kumpulan data dan klaster yang berbeda. ARI metode
clustering tradisional seperti spectral clustering relatif lebih
rendah dibandingkan metode lainnya.
Gandkk. Genomik Medis BMC2018,11(Suppl 6): 117 Halaman 68 dari 112

Gambar 2.Evaluasi kinerja conCluster dan lima metode pengelompokan data scRNA yang banyak digunakan. Adjusted Rand Index (ARI) digunakan untuk
mengukur kesamaan antara label cluster yang disimpulkan dan benar

sangat baik dan K-means menunjukkan stokastik dalam struktur
pengelompokan karena inisialisasi acak, konCluster kami berdasarkan
beberapa tSNE+K-means memperoleh solusi yang lebih baik daripada
metode lain. Kinerjanya menunjukkan bahwa ensemble dari beberapa
partisi data membantu untuk menggabungkan cluster bersama-sama
dengan cara yang masuk akal.
Identifikasi subtipe kanker
Selanjutnya, kami menerapkan conCluster dan lima
algoritma yang dibandingkan pada sel tumor melanoma
ganas di GSE72056. Dalam dataset ini, terdapat 1257 sel
ganas setelah mengecualikan sel tumor jinak. Menentukan
jumlah cluster diketahui sulit dalam clustering.

Gambar 3Identifikasi subtipe dari kumpulan data scRNA-seq melanoma manusia. Warna yang berbeda menunjukkan keluaran cluster oleh masing-masing algoritma
(Nomor cluster k = 6)
Gandkk. Genomik Medis BMC2018,11(Suppl 6): 117
Karena tidak ada kebenaran dasar dari cluster untuk sel-sel ganas
ini, kami menggunakan Indeks Calinski-Harabaz [22] untuk
menentukan jumlah cluster. conCluster berhasil mengidentifikasi
enam cluster dalam dataset. Seperti yang ditunjukkan pada
Gambar.3, conCluster menampilkan lima cluster yang lebih jelas
dikenali daripada metode yang dibandingkan. SNN-cliq,
tSNE+Kmeans dan SC3 juga mendapatkan cluster yang relatif jelas,
sedangkan spectral clustering dan CIDR kurang baik dalam
membedakan cluster tersebut.
Selanjutnya, untuk mengidentifikasi gen pengatur dari
setiap subtipe melanoma ganas, kami melakukan analisis
jaringan ekspresi bersama gen. Jaringan ekspresi bersama
mengidentifikasi gen mana yang cenderung ditampilkan
Gambar 4Jaringan ko-ekspresi divisualisasikan untuk enam subtipe yang berbeda dari tumor melanoma maligna manusia. Node mewakili gen, Edge
weight menunjukkan signifikansi statistik dari hubungan ko-ekspresi
Halaman 69 dari 112
pola ekspresi terkoordinasi dalam subtipe tertentu. Jaringan ko-
ekspresi ini dapat direpresentasikan sebagai matriks kesamaan gen-
Cgen. Di sini, kami mengidentifikasi gen yang memiliki perbedaan
ekspresi yang signifikan di antara sel dengan menerapkan FDR 5%.
Gen-gen ini digunakan untuk merekonstruksi jaringan koekspresi
spesifik subtipe dan mengidentifikasi sejumlah modul gen koekspresi
tinggi. kami menggunakan WGCNA untuk membuat modul ekspresi
bersama, yang merupakan alat yang banyak digunakan untuk analisis
ekspresi bersama. Angka4menunjukkan jaringan co-ekspresi untuk
setiap subtipe melanoma. Kami memperhatikan bahwa subtipe yang
berbeda mencakup subset gen koekspresi yang berbeda. Gen-gen ini
dengan tingkat konektivitas tertinggi biasanya adalah
Gandkk. Genomik Medis BMC2018,11(Suppl 6): 117 Halaman 70 dari 112

diharapkan menjadi driver yang diperlukan untuk
jalur sinyal fungsi penting.
Kami menghitung tingkat jaringan untuk setiap gen dalam
jaringan ekspresi bersama dari subtipe melanoma yang berbeda,
dan mengidentifikasi gen dengan koneksi paling banyak. Untuk
memeriksa fungsi potensial dari gen-gen tersebut, kami
melakukan analisis pengayaan ontologi gen sistematis
menggunakan alat DAVID dan merangkum proses dan jalur
biologis utama [27]. Gen yang paling terhubung di setiap jaringan
dan analisis pengayaan ontologi gen yang sesuai tercantum dalam
Tabel1. Secara keseluruhan, modul-modul ini diperkaya secara
signifikan untuk proses biologis penting yang relevan dengan
melanoma, termasuk respons terhadap stimulus cahaya,
pemrosesan antigen, dan regulasi kematian sel.
Misalnya, dalam subtipe 1, gen yang paling terhubung
terlibat dalam inisiasi translasi (RPL12, RPL38, RPS24,
RPS3); dalam subtipe 2, set gen yang paling terhubung
erat termasuk gen yang terlibat dalam respons seluler
terhadap respons stimulus (FOS, DUSP1, JUN, FOSB);
dalam subtipe 3, set gen termasuk B2M, HLA-A, HLA-B,
terkait dengan pemrosesan dan penyajian antigen.
Kesimpulan
Kanker biasanya menunjukkan heterogenitas tumor yang substansial
di hampir semua fitur fenotipik yang dapat dibedakan, seperti
morfologi seluler, ekspresi gen, dan metabolisme. Untuk menganalisis
heterogenitas tumor, penting untuk mengelompokkan populasi sel
dengan benar ke dalam kelompok yang berbeda

Tabel 1Gen signifikan dan analisis GO dari jaringan ekspresi bersama dari subtipe melanoma yang berbeda

Daftar gen Jenis istilah & nama P-nilai

Subtipe 1 RPS24 SNHG5 RPS3 RPL38 BP: penargetan protein kotranslasi 6.34E-8

RPL12 CTSB PAICS HLA-C BP: inisiasi translasi 2.89E-7

RPS12 MTRNR2L2 MTRNR2L6 BP: regulasi proses apoptosis KEGG: 9.71E-2

GAS5 MTRNR2L10 ARPC1B Pemrosesan dan presentasi antigen CC: 8.47E-2

adhesi fokal 1.42E-3

Subtipe 2 FOSB JUNB JUN IER2 BP: respons seluler 2.28E-6

DNAJB1 TOB1 PPP1R15A BP: regulasi transkripsi negatif BP: 7.67E-3

LOC284454 MCL1 BRD2 regulasi kematian sel 3.025E-3

DUSP1 SLC2A3 ZFP36 MF: aktivitas faktor transkripsi 1.65E-4

KEGG: Diferensiasi osteoklas BP: 4.96 E-4

Subtipe 3 HLA-C CTSB HLA-B GSG1 jalur pensinyalan interferon 2.09E-12

IL12RB1 HLA-A CTSD BP: regulasi positif sitotoksisitas yang dimediasi sel T BP: 2.96E-9

LOC90834 B2M HLA-F HLA-H pemrosesan antigen 1.38E-6

Ahnak HLA-E SHOX BP: respon imun 5.22E-11

KEGG: Pemrosesan dan penyajian antigen BP: 8.11E-8

Subtipe 4 MTRNR2L6 MTRNR2L10 respons seluler terhadap stimulus hormon 1.33E-2

MTRNR2L1 MTRNR2L3 BP: respons terhadap stimulus mekanis 1.50E-2

MTRNR2L2 MTRNR2L8 KEGG: Diferensiasi osteoklas 1.89E-2

FOSB IER2 MTRNR2L4 MF: pengikatan DNA 8.34E-3

MTRNR2L7 ARGLU1 MF: aktivitas faktor transkripsi 6.79E-3

JUN RBM39 SET

Subtipe 5 SHISA9 ABCC9 ORC4 KEGG: Siklus sel 5.28E-2

UGDH-AS1 LOC643406 ASTN2 CC: komponen integral membran CC: 7.95E-2

MDM2 UGT8 LOC286437 sinapsis 8.59E-2

TMEM212 XKR9 GLIPR1L2

SPC25 ARHGEF26-AS1

Subtipe 6 C17orf76-AS1 RPS4X BP: inisiasi translasi BP: 1.21E-18

RPS6 GAS5 RPL29 pemrosesan rRNA 7.40E-17

RPS3 RPS24 RPS27 BP:biogenesis subunit kecil ribosom 8.07E-5

EEF1G RPS19 RPLP0 MF:konstituen struktural ribosom 1.76E-15

RPL18A RPL26 RPL13AP5 KEGG:Ribosom 2.44E-10

Gandkk. Genomik Medis BMC2018,11(Suppl 6): 117
subtipe berdasarkan data ekspresi sel tunggal. Karena variasi
biologis dan teknis yang tidak dapat dihindari, set data scRNA-
seq ini berisik dan berdimensi tinggi, yang menimbulkan
tantangan besar bagi metode komputasi. Dalam makalah ini,
kami mengusulkan, conCluster, metode pengelompokan
konsensus tanpa pengawasan untuk mengatasi keterbatasan
ini dan menyediakan pengelompokan yang kuat. Secara
khusus, conCluster kami menggabungkan banyak partisi
dasar menjadi satu konsensus, prosedur ini dapat
mengurangi dampak bahwa kinerja metode pengelompokan
individu cenderung dipengaruhi oleh noise dan parameter
awal yang berbeda. Selain itu, langkah-langkah pra-
pemrosesan data seperti pengurangan dimensi penting dalam
analisis data scRNA-seq. Hasil eksperimen menunjukkan
bahwa con-Cluster yang diusulkan dapat lebih akurat
mendeteksi subtipe kanker daripada metode clustering
scRNA-seq yang banyak digunakan dibandingkan.
Peningkatan kinerja conCluster akan menarik bagi para
peneliti di bidang analisis data scRNA-seq.
Singkatan
CIDR: Pengelompokan melalui imputasi dan pengurangan dimensi; DAVID: Basis
data untuk anotasi, visualisasi, dan penemuan integrasi; PCA: Analisis komponen
utama; SC3: Pengelompokan konsensus sel tunggal; scRNA-seq: Pengurutan RNA
sel tunggal; SINCERA: Analisis pembuatan profil RNA-seq SEL TUNGGAL; SNN-Cliq:
Berbagi tetangga terdekat-Cliq; t-SNE: algoritma embedding tetangga stokastik
terdistribusi-t; WGCNA: Analisis jaringan ko-ekspresi gen tertimbang
Ucapan Terima Kasih
Kami berterima kasih kepada pengulas anonim atas komentar mereka yang bermanfaat pada naskah.
Pendanaan
Pekerjaan ini dan biaya publikasi sebagian disponsori oleh Dana Penelitian
Fundamental untuk Universitas Pusat (2232016A3-05), Yayasan Ilmu Pengetahuan
Alam Nasional Tiongkok (61772128, 61772367), Program Penelitian dan
Pengembangan Kunci Nasional Tiongkok (2016YFC0901704) dan Yayasan Ilmu
Pengetahuan Alam Shanghai (17ZR1400200,18ZR1414400).
Ketersediaan data dan bahan
Dataset GSE72056 dan GSE73727 dapat diunduh di URL berikut: https://
www.ncbi.nlm.nih.gov/geo/query/acc.cgi.
Tentang suplemen ini
Artikel ini telah diterbitkan sebagai bagian dariBMC Medical Genomics
Volume 11 Tambahan 6, 2018: Prosiding Konferensi Internasional ke-29
tentang Informatika Genom (GIW 2018): genomik medis. Isi lengkap
suplemen tersedia online dihttps://bmcmedgenomics.biomedcentral.com/
articles/ supplement/volume-11-supplement-6.
Kontribusi penulis
YLG dan NL bertanggung jawab atas gagasan utama, serta penyelesaian naskah
dan eksperimen. GBZ, YCX dan JHG telah mengoordinasikan pra-pemrosesan data
dan mengawasi upaya tersebut. Semua penulis telah membaca dan menyetujui
naskah akhir.
Persetujuan etika dan persetujuan untuk berpartisipasi Tak
dapat diterapkan.
Persetujuan untuk publikasi Tak
dapat diterapkan.
Kepentingan bersaing
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan yang bersaing.
Halaman 71 dari 112
Catatan Penerbit
Springer Nature tetap netral sehubungan dengan klaim yurisdiksi dalam peta
yang diterbitkan dan afiliasi institusional.
Detail penulis
1Sekolah Ilmu dan Teknologi Komputer, Universitas Donghua, Shanghai,
Cina.2Sekolah Teknik Komputer dan Sains, Universitas Shanghai, Shanghai,
Cina.3Departemen Ilmu dan Teknologi Komputer, Universitas Tongji,
Shanghai, Cina.
Diterbitkan: 31 Desember 2018
Referensi
1. Meacham CE, Morrison SJ. Heterogenitas tumor dan plastisitas sel
kanker. Alam. 2013;501(7467):328.
2. Oesper L, Mahmoody A, Raphael BJ. Theta: menyimpulkan heterogenitas intra-
tumor dari data sekuensing DNA throughput tinggi. Biola genom.
2013;14(7):R80.
3. Roth A, Khattra J, Yap D, Wan A, Laks E, Biele J, Ha G, Aparicio S,
Bouchard-Cté A, Shah SP. Pyclone: inferensi statistik struktur
populasi klonal pada kanker. Metode Nat. 2014;11(4):396.
4. Navin N, Kendall J, Troge J, Andrews P, Rodgers L, McIndoo J, Cook K, Stepansky
A, Levy D, Esposito D, dkk. Evolusi tumor disimpulkan oleh sekuensing sel
tunggal. Alam. 2011;472(7341):90.
5. Patel AP, Tirosh I, Trombetta JJ, Shalek AK, Gillespie SM, Wakimoto H, Cahill DP,
Nahed BV, Curry WT, Martuza RL, dkk. rna-seq sel tunggal menyoroti
heterogenitas intratumoral pada glioblastoma primer Sains.
2014;344(6190):1396–401.
6. Pollen AA, Nowakowski TJ, Chen J, Retallack H, Sandoval-Espinosa C, Nicholas
CR, Shuga J, Liu SJ, Oldham MC, Diaz A, dkk. Identitas molekuler glia radial
luar manusia selama perkembangan kortikal. Sel. 2015;163(1):55–67.
7. Zeisel A, Muñoz-Manchado AB, Codeluppi S, Lönnerberg P, La Manno G, Juréus
A, Marques S, Munguba H, He L, Betsholtz C, dkk. Jenis sel di korteks tikus dan
hippocampus diungkapkan oleh sel tunggal rna-seq.
Sains. 2015;347(6226):1138–42.
8. Chung W, Eum HH, Lee HO, Lee KM, Lee HB, Kim KT, Ryu HS, Kim S, Lee JE, Park
YH, dkk. rna-seq sel tunggal memungkinkan profil tumor dan sel imun yang
komprehensif pada kanker payudara primer. Komunitas Nat. 2017;8: 15081.
9. Haque A, Engel J, Teichmann SA, Lönnberg T. Panduan praktis untuk
pengurutan rna sel tunggal untuk penelitian biomedis dan aplikasi
klinis. Obat Genom. 2017;9(1):75.
10. Kharchenko PV, Silberstein L, Scadden DT. Pendekatan Bayesian untuk
analisis ekspresi diferensial sel tunggal. Metode Nat. 2014;11(7):740.
11. Ji Z, Ji H. Tscan: Rekonstruksi dan evaluasi pseudo-waktu dalam analisis rna-seq
sel tunggal. Asam Nukleat Res. 2016;44(13):e117.
12. Fiers MW, Minnoye L, Aibar S, Bravo González-Blas C, Kalender Atak Z, Aerts
S. Memetakan jaringan pengatur gen dari data omics sel tunggal. Genomik
Fungsi Singkat. 2018;17(4):246–54.
13. Stegle O, Teichmann SA, Marioni JC. Tantangan komputasi dan analitik dalam
transkriptomik sel tunggal. Nat Rev Genet. 2015;16(3):133.
14. Yau C, dkk. pcareduce: pengelompokan hierarkis profil transkripsi sel tunggal.
Bioinforma BMC. 2016;17(1):140.
15. Maaten Lvd, Hinton G. Visualisasi data menggunakan t-sne. J Mach Pelajari Res.
2008;9(Nov):2579–605.
16. Macosko EZ, Basu A, Satija R, Nemesh J, Shekhar K, Goldman M, Tirosh I, Bialas
AR, Kamitaki N, Martersteck EM, dkk. Profil ekspresi genom-lebar yang sangat
paralel dari sel-sel individual menggunakan tetesan nanoliter Sel.
2015;161(5):1202–14.
17. Lin P, Rombongan M, Ho JW. Cidr: Pengelompokan yang sangat cepat dan akurat
melalui imputasi untuk data rna-seq sel tunggal. Biola genom. 2017;18(1):59.
18. Xu C, Su Z. Identifikasi tipe sel dari transkriptom sel tunggal menggunakan
metode pengelompokan baru. Bioinformatika. 2015;31(12):1974–80.
19. Guo M, Wang H, Potter SS, Whitsett JA, Xu Y. Sincera: saluran untuk
analisis profil rna-seq sel tunggal. PLoS Comput Biol. 2015;11(11):
004575.
20. Kiselev VY, Kirschner K, Schaub MT, Andrews T, Yiu A, Chandra T, Natarajan KN,
Reik W, Barahona M, Green AR, dkk. Sc3: pengelompokan konsensus data
rna-seq sel tunggal. Metode Nat. 2017;14(5):483.
Gandkk. Genomik Medis BMC2018,11(Suppl 6): 117 Halaman 72 dari 112

21. Butler A, Hoffman P, Smibert P, Papalexi E, Satija R. Mengintegrasikan data

transkriptomik sel tunggal di berbagai kondisi, teknologi, dan spesies. Nat
Bioteknologi. 2018;36(5):411.
22. Caliński T, Harabasz J. Metode dendrit untuk analisis cluster. Metode Teori-
Status Komunitas. 1974;3(1):1–27.
23. Pan Y, Wang Z, Zhan W, Deng L. Komputasi identifikasi hot spot energi
mengikat di kompleks protein-rna menggunakan pendekatan ensemble.
Bioinformatika. 2018;34(9):1473–80.
24. Hubert L, Arabie P. Membandingkan partisi. J Classif. 1985;2(1):193–218.
25. Tirosh I, Izar B, Prakadan SM, Wadsworth MH, Treacy D, Trombetta JJ,
Rotem A, Rodman C, Lian C, Murphy G, dkk. Membedah ekosistem
multiseluler melanoma metastatik oleh sel tunggal rna-seq. Sains.
2016;352(6282)::189–96.
26. Li J, Klughammer J, Farlik M, Penz T, Spittler A, Barbieux C, Berishvili E,
Bock C, Kubicek S. Transkriptom sel tunggal mengungkapkan ciri khas
tipe sel pulau pankreas manusia. EMBO Rep. 2016;17(2):178–87.
27. Huang DW, Sherman BT, Lempicki RA. Analisis sistematis dan integratif dari
daftar gen besar menggunakan sumber daya bioinformatika david. Protokol
Nat. 2008;4(1):44.