Please enable JavaScript.
Coggle requires JavaScript to display documents.
单细胞测序 × 机器学习 × 疾病应用 - Coggle Diagram
单细胞测序 × 机器学习 × 疾病应用
研究背景
传统单细胞分析
聚类 + marker
主观性强
细胞类型 & 状态
边界模糊
需要机器学习
高维
自动化
可推广
研究意义
方法学意义
ML + scRNA-seq
自动化、标准化
生物学意义
T2D 是系统性细胞改变
可推广性
其他组织
其他疾病
研究目的
构建 ML 模型
判定细胞类型
判定细胞状态
应用于 T2D
解析细胞异质性
分析细胞通讯
研究方法
单细胞测序数据
数据来源
公开人类胰腺 scRNA-seq
ND / T2D
数据处理
QC
归一化
去批次
分析内容
细胞类型
细胞状态
细胞通讯
机器学习
学习方式
监督学习
模型 1：PanSubPred
细胞类型预测
标准答案
细胞类型标签
细胞状态标签
模型 2：PSC-Stat
细胞状态预测
验证方式
交叉验证
外部数据集验证
研究结果
主要结果
Fig.1：细胞类型预测（PanSubPred）
Fig.2：细胞状态判定（PSC-Stat）
Fig.3：细胞间通讯改变
Fig.4：β 细胞异质性增加
Fig.5：非 β 细胞异质性改变