多域量化表型从基因表达数据中提取意义和上下文

今天一个经常性的问题是如何提高基因表达分析和生物解释提供了一个更广泛的框架使用来自不同领域的数据可衡量的表型或实验设置。Multiomics方法成功地利用很多方法在基因组学研究。这是挥动读数的背景下尤其明显,尤其是单细胞CITE-seq或空间协议相关的例子。将是有用的研究定量数据从非常多样化的临床化学等领域,拓扑成像,遗传性状,甚至——任何可测量的行为数据,相关,从样本中提取分析-可以集成与基因表达数据和这些方法如何改进对后者的理解。

我们特别感兴趣的焦点是两个互补的观点。第一个是“整合”的角度,以方法为中心分析数据获得相同的样本,但不同的领域:例如,血液临床化学测量和基因表达水平。我们感兴趣的是程序,如数值范围转换、标准化的方法,方法计算相关性在不同性质的数据集或消除背景噪音或偏见。这些实现方法是必要的,有效整合多样化的健壮和可再生的科学数据集。第二层更涉及“签名”的角度来看,和更关注于获取(临床、生理和生化)相关的生物标记或基因表达的签名。这一层响应的问题:如何定量测量的特征,表型,特征样本的分析作为诱饵来选择相关基因签名吗?基因签名被认为是“有关”时,其实是很有用的,阐明生物环境和/或表型的生化机制,或当他们帮助消除歧义细胞身份和具体情况。

上述双重视角应该帮助建立研究课题提供新鲜和更新视图组学实验是如何走向一个更好的理解通过生物表型的相关语境化和利用他们的使用,要么推高吞吐量的方法如单细胞、或垂直使用更传统的组学实验等大部分门店或数组,而利用同源样例可衡量的表型用作鱼饵生物意义。

我们欢迎任何原始研究的贡献解决两种方法(新的或非传统的使用建立的)及其应用生物或临床定量表型在理解生物问题发挥了关键作用。我们特别鼓励现有方法的批评研究,专注于表演、可用性、可访问性、偏压控制,也当强调风险(过度拟合的深意,内在偏见)是必要的。

此外,这个主题将考虑散装或单个细胞水平基因表达实验,今天和所有可用的方法执行(RTqPCR面板、数组排序),理想情况下,考虑到许多不同类型的表型等,但不限于,关键蛋白测量,生化临床价值,临床病理评分,拓扑或颞可测量的参数,形状和许多其他的。试点研究新方法、基准测试或当前的方法也比较受欢迎。

因此,感兴趣的主题包括,但不限于:
•生物表型语境化的发现
•表型与目标为基础的药物发现
•定量特征作为输入机器学习培训
•基因签名与可测量的特征提取和排名的相关
•多表型集成、添加剂定量特征
•集成散装和单细胞RNA实验
•精确使用注释和本体功能基因组学