单细胞与空转联合分析

科研综合服务平台

购物车（0）

常用商品分类

分类纠错

https://cdn.casmart.com.cn/productImage/300011763/70719/e862759ab0c15be2f308e8ee8f0b23c4.png

纠错

单细胞与空转联合分析

登录可见

货号：SG-20214578

品牌：GEXSCOPE

计量单位：例

交货周期

：30

选择规格：例

运杂费：登录后可查看运杂费

服务电话(移)：17319309550

DeepBio得分:5567.2

DeepBio得分是基于文献引用次数，影响因子，文献新近度等因素计算的客观产品评级，得分越高表明该产品经过越可靠的实验验证，质量可信度越高

产品详情

单细胞与空转（空间转录组）联合分析是一种强大的技术，它结合了单细胞RNA测序的高分辨率和空间转录组的空间信息，以揭示细胞类型的空间分布和基因表达模式。以下是一些常见的单细胞与空转联合分析方法的总结：

SPOTlight：

应用场景：空间分解。
算法：基于种子的非负矩阵因子分解回归（Seeded NMF regression）。
优点：跨多个组织的高精度。
缺点：没有将捕获的位置信息合并到模型空间分解中。
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
开发背景：最初是为10X的Visium空间转录组学技术开发的。
图像处理：无。
RCTD：

应用场景：空间分解。
算法：泊松分布的最大似然估计（Poisson distribution with MLE）。
优点：系统地模拟平台效应。
缺点：假设平台效应在细胞类型之间共享，没有将捕获的位置信息合并到模型空间分解中。
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
开发背景：基于Slide-seqV2的高灵敏度近单细胞精度的空间转录组学（10~20um）。
图像处理：无。
CRAD：

应用场景：空间分解。
算法：基于条件自回归的反卷积。
优点：考虑空间位置的临近关系，通过CAR模型解释跨空间位置的细胞类型组成的空间相关性；可以输入marker基因，CARD可以进行无细胞类型特异性参考矩阵的去卷积分析。
缺点：采用类似bulk的解卷积方法进行空间注释。
CellDART：

应用场景：空间分解。
算法：对抗性判别域适应（adversarial discriminative domain adaptation，ADDA）。
优点：用单细胞数据构建伪空间SPOT，伪SPOT与真实的SPOT构建神经网络，构建分类器。
缺点：特异性不够高。
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。
图像处理：无。
CellTrek：

应用场景：空间分解。
算法：将ST和scRNA-seq数据集成并共嵌入到共享特征空间中，使用ST数据训练多变量随机森林（RF）模型，以使用共享降维特征预测空间坐标。
优点：解卷积效果较好。
缺点：十分依赖数据的匹配程度。
解卷积读取方式：抽取单细胞空间的矩阵和坐标信息。

好评度	商品满意度	服务满意度	发货满意度