ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

RNA tracking: predicting cell types in nervous system

سال انتشار: 1399
کد COI مقاله: CESACONF01_019
زبان مقاله: انگلیسیمشاهده این مقاله: 85
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 7 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله RNA tracking: predicting cell types in nervous system

Ali Saadat Varnosfaderanii - Electrical Engineering Department, Sharif University of Technology, Tehran, Iran
Amirmohammad Farzaneh - Electrical Engineering Department, Sharif University of Technology, Tehran, Iran
Babak Khalaj - Electrical Engineering Department, Sharif University of Technology, Tehran, Iran

چکیده مقاله:

Cellular differentiation is a process in which a cell changes from one cell type to another. Understanding this dynamic process is of particular importance, especially for cells in nervous system. RNA abundance in a cell is a strong signal of the state of that cell. Single-cell RNA sequencing (scRNA-seq) provides the expression profiles of individual cells and is considered the gold standard for defining cell states. The main challenge is that scRNA-seq provides only a static snapshot at a point in time, but cellular differentiation is a time-resolved phenomenon. Recent work, called RNA velocity, suggests a method to predict the future state of cells by distinguishing between unspliced and spliced mRNAs in a common cell. RNA velocity calculates the time derivative of the gene expression state which can be used to predict the future state of cells on a timescale of hours. We proposed a method (called RNA tracking) to estimate the second time derivative of the gene expression state which can be exploited to predict cell states more accurately. We used two different dataset to test our method: 1) the mouse hippocampus cells dataset 2) the mouse chromaffin cells dataset. Both hippocampus and chromaffin cells play crucial roles in nervous system, so understanding how they are made from embryonic stem cells are essential. Our results show that not only RNA tracking achieves up to 30% increase in accuracy compared with RNA velocity but also RNA tracking achieves up to 75% increase in the duration of prediction compared with RNA velocity.

کلیدواژه ها:

Cellular differentiation ، single-cell RNA sequencing ، machine learning in bioinformatics

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا CESACONF01_019 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1172022/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Saadat Varnosfaderanii, Ali and Farzaneh, Amirmohammad and Khalaj, Babak,1399,RNA tracking: predicting cell types in nervous system,1st Conference on Research in Engineering Sciences and Applied Sciences,https://civilica.com/doc/1172022

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Saadat Varnosfaderanii, Ali؛ Amirmohammad Farzaneh and Babak Khalaj)
برای بار دوم به بعد: (1399, Saadat Varnosfaderanii؛ Farzaneh and Khalaj)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 14,052
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی