Одн 0: Острая дыхательная недостаточность. Что такое Острая дыхательная недостаточность?

Дыхательная недостаточность — Пульмонология | Медицинский центр «САДКО» Нижний Новгород

Дыхательная недостаточность (ДН) – ограничение способности легких обеспечивать нормальный газовый состав артериальной крови, происходит перенапряжение компенсаторных возможностей системы внешнего дыхания.

Причины возникновения:

• острые и хронические заболевания бронхо-легочной системы
• поражения ЦНС
• малокровие (анемия)
• гипертензия в малом круге кровообращения,
• сосудистая патология легких и сердца,
• опухоли легких

Симптомы и виды

Классическими признаками дыхательной недостаточности служат:

• синдром слабости и утомления дыхательной мускулатуры;
• одышка.

По темпам наступления патологического состояния выделяют острую и хроническую ДН.

Острая дыхательная недостаточность развивается в течение короткого времени, в течение нескольких минут или часов и требует неотложных терапевтических мероприятий.

Симптоматика: 

• нарастающая одышка.
• Нарушение центральной регуляции дыхания, наблюдаются участие в дыхании лишь мышц шеи и движение гортани
• чувство беспокойства и возбуждения, неадекватное поведение.
• Заторможенность, постепенная потеря сознания
• судороги,
• землистый оттенок кожи

На начальных стадиях отмечается тахикардия, тенденция к повышению артериального давления.

Хроническая дыхательная недостаточность чаще всего развивается при хронических обструктивных заболеваниях легких (хронический обструктивный бронхит), ожирении, резекции легких, кифосколиозе. При всех перечисленных ситуациях возникающая гипоксия приводит к увеличению работы дыхательной мускулатуры, что в течение некоторого времени обеспечивает сохранение газового состава крови.

Симптоматика:

• постепенно развивающаяся одышка.
• одышку уже при незначительных усилиях или даже в покое
• сонливость
• отмечается расширение сосудов кожи лица.
• Конечности с багрово-синюшным оттенком
• появляется одутловатость лица.

Основные причины возникновения дыхательной недостаточности — острые и хронические заболевания лёгких, ведущие к гиповентиляции обструктивного типа.

Осложнения дыхательной недостаточности

Дыхательная недостаточность — неотложное, угрожающее здоровью и жизни человека состояние. При неоказании своевременной помощи острая дыхательная недостаточность может привести к гибели пациента.

Длительное течение и прогрессирование хронической дыхательной недостаточности приводит к развитию правожелудочковой сердечной недостаточности в результате дефицита снабжения сердечной мышцы кислородом и ее постоянных перегрузок.

Диагностика

На начальном диагностическом этапе тщательно собирается анамнез жизни и сопутствующих заболеваний с целью выявления возможных причин развития дыхательной недостаточности. При осмотре пациента обращается внимание на наличие изменений кожных покровов, подсчитывается частота дыхания,

• Функциональная диагностика внешнего дыхания, позволяющая провести оценку вентиляционной способности легких. При этом измеряется жизненная емкость легких, минутный объем дыхания, скорость движения воздуха по различным отделам дыхательных путей.
• Лабораторный анализ газового состава крови, позволяющий определить степень насыщения артериальной крови кислородом и углекислым газом
• Рентгенография органов грудной клетки с целью выявления поражения грудной клетки, легких, сосудов, бронхов.

Лечение и профилактика

При лечении больных острой ДН следует проводить неотложную терапию (терапию жизнеобеспечения), включающую обеспечение и поддерживание проходимости дыхательных путей, кислородотерапию, вспомогательную вентиляцию или ИВЛ. При болях, ограничивающих экскурсии грудной клетки, назначают анальгетики , новокаиновую блокаду.

Лечение хронической ДН является симптоматическим и сводится главным образом к контролю прогрессирования основного заболевания, своевременному купированию обострений хронического обструктивного бронхита (наиболее частая причина хронической ДН). Особенно эффективна кислородотерапия. Обязателен отказ от курения. Всем больным показана лечебная физкультура и дыхательная гимнастика со специальным комплексом дыхательных упражнений.

Страница не найдена

Размер:

AAA

Цвет: C C C

Изображения Вкл. Выкл.

Обычная версия сайта

RUENBY

Гомельский государственный
медицинский университет

• Университет
  • Университет
  • История
  • Руководство
  • Устав и Символика
  • Воспитательная деятельность
  • Организация образовательного процесса
  • Международное сотрудничество
  • Система менеджмента качества
  • Советы
  • Факультеты
  • Кафедры
  • Подразделения
  • Первичная профсоюзная организация работников
  • Издания университета
  • Гордость университета
  • Выпускник-2021
  • Первичная организация «Белорусский союз женщин»
  • Одно окно
  • ГомГМУ в международных рейтингах
  • Структура университета
• Абитуриентам
  • Приёмная комиссия
  • Университетская олимпиада по биологии
  • Целевая подготовка
  • Заключение, расторжение «целевого» договора
  • Льготы для молодых специалистов
  • Архив проходных баллов
  • Карта и маршрут проезда
  • Порядок приёма на 2023 год
  • Специальности
  • Контрольные цифры приёма в 2022 году
  • Стоимость обучения
  • Информация о ходе приёма документов
  • Приём документов и время работы приёмной комиссии
  • Порядок приёма граждан РФ, Кыргызстана, Таджикистана, Казахстана
  • Горячая линия по вопросам вступительной кампании
• Студентам
  • Первокурснику
  • Расписание занятий
  • Расписание экзаменов
  • Информация для студентов
  • Студенческий клуб
  • Спортивный клуб
  • Общежитие
  • Нормативные документы
  • Практика
  • Стоимость обучения
  • Безопасность жизнедеятельности
  • БРСМ
  • Профком студентов
  • Учебный центр практической подготовки и симуляционного обучения
  • Многофункциональная карточка студента
  • Анкетирование студентов
• Выпускникам
  • Интернатура и клиническая ординатура
  • Докторантура
  • Аспирантура
  • Магистратура
  • Распределение
• Врачам и специалистам
  • Профессорский консультативный центр
  • Факультет повышения квалификации и переподготовки
• Иностранным гражданам
  • Факультет иностранных студентов
  • Стоимость обучения
  • Регистрация и визы
  • Полезная информация
  • Правила приёма
  • Информация о возможностях и условиях приема в 2022 году
  • Официальные представители ГомГМУ по набору студентов
  • Страхование иностранных граждан
  • Приём на Подготовительное отделение иностранных граждан
  • Прием иностранных граждан для обучения на английском языке / Training of foreign students in English
  • Повышение квалификации и переподготовка для иностранных граждан
• Научная деятельность
  • Направления научной деятельности
  • Научно-педагогические школы
  • Инновационные технологии в ГомГМУ
  • Научно-исследовательская часть
  • Научно-исследовательская лаборатория
  • Конкурсы, гранты, стипендии
  • Научные мероприятия
  • Работа комитета по этике
  • В помощь исследователю
  • Совет молодых ученых
  • Студенчеcкое научное общество
  • Диссертационный совет
  • Патенты
  • Инструкции на метод
  • «Горизонт Европа»
  • Госпрограмма (ЧАЭС)

• Главная

One-Zero (2009) — IMDb

• Cast & crew
• User reviews

IMDbPro

Original title: Wahed-Sefr

• 20092009
• 1h 45m

IMDb RATING

6. 4/10

544

ВАША ОЦЕНКА

8 персонажей за один день, один город, один футбольный матч, один гол, Египет побеждает один-ноль, все счастливы.. это все настоящее счастье? или это просто выброс подавленных взрывных эмоций всех… Прочитать всех 8 персонажей за один день, один город, один футбольный матч, один гол, Египет побеждает один-ноль, все счастливы.. это все настоящее счастье? или это просто выброс подавленных взрывных эмоций всех 8 персонажей на грани нервного срыва!.8 персонажей за один день, один город, один футбольный матч, один гол, Египет побеждает раз-ноль, все счастливы.. это это все настоящее счастье? или это просто выброс подавленных взрывных эмоций всех 8 персонажей на грани нервного срыва!.

IMDb RATING

6.4/10

544

YOUR RATING

• • Kamlah Abu-Zikri
• • Mariam Naoum(screenplay)
• Stars
  • Ilham Shaheen
  • Kal Naga
  • Nilli Karim

• • Камла Абу-Зикри
• • Мариам Наум (Сценарий)
• Звезды
  • ilham Shaheen
• Звезды
  • ilham Shaheen
  0004
• Kal Naga
• Nilli Karim

See production, box office & company info

See more at IMDbPro

• Awards
  • 5 wins & 3 nominations

Photos

Top cast

Ильхам Шахин

Кал Нага

• Шериф
• (как Халед Абол Нага)

Нилли Карим

• Рихам

102 Ahmad El-Fishawi

Intesar

Zeina

Lotfy Labib

Hussien El Imam

Aida Riyad

Mohamed Alaa

• Hassan
• (as Mohamed Alaa Jamaica)

Omar El Saeed

Kamel El Sherif

FAHD HASSAN

• • Kamlah Abu-Zikri
• • Mariam Naoum (Сценарий)
• All Cast & Crew
• Производство, Box Office & больше в IMDBPRO
• . 0004

Подробнее, как это

La Tarago wa la Esteslam

Malek Wa Ketaba

El-Gezirah

Fi Shaket Masr El Gedeeda

Subly Nights

Wannous

Scheherast

Девушка с завода

Ан эль-Ишк ва эль-Хава

Маменькин сынок

Маллаки Искандария

Сюжетная линия

Отзывы пользователей1

Обзор

80 Рекомендуемый обзор9

10/

10

Глубоко и трогательно!

Со времен шедевров Юсефа Шахина не было египетских фильмов с таким совершенством! Обидно! Да, но это правда! В любом случае, 2009 год очень многообещающий с началом «One-Zero». Хорошо сплетенная очень запутанная история о 8 персонажах, живущих в современном Каире, страдающих от его коррупции, религиозных табу, лицемерия и репрессий. 8 с очень разным прошлым в очень напряженный день, а затем связаны со счастьем в конце, когда Победа достигнута. Невероятная история, рассказанная в уникальном стиле, хоть и напоминающая мне шедевр Иньярриту «Вавилон», все же это настоящая египетская история. Два больших пальца вверх!

Полезно • 7

0

• MIGOS_IMAGE
• 26 апреля 2009

IMDB Best of 2022

IMDB Best of 2022

Откройте для Skyrock Skyrocket на Imdb’s Starteter. Лучшее за 2022 год; включая лучшие трейлеры, плакаты и фотографии.

Подробнее

Подробнее

Кассовые сборы

Технические характеристики

• 1 час 45 минут

• • 1. 37 : 1

Новости по теме

Добавить страницу

Предложить отредактировать или добавить отсутствующий контент

Ответить

Еще для изучения

Недавно просмотренные

У вас нет недавно просмотренных страниц

SCANPY: крупномасштабный анализ данных экспрессии генов в одной клетке | Геномная биология

• Программное обеспечение
• Открытый доступ
• Опубликовано: 06 февраля 2018 г.
• Ф. Александр Вольф ORCID: orcid.org/0000-0002-8760-7838 ¹ ,
• Филипп Ангерер ¹ и
• Фабиан Дж. Тайс ^1,2  

7 Биология генома том 19 , номер статьи: 15 (2018) Процитировать эту статью

• 70 тыс. обращений

• 1427 цитирований

• 199 Альтметрический

• Сведения о показателях

Abstract

Scanpy — это масштабируемый инструментарий для анализа данных экспрессии генов в одиночных клетках. Он включает в себя методы предварительной обработки, визуализации, кластеризации, вывода псевдовремени и траектории, тестирования дифференциальной экспрессии и моделирования сетей регуляции генов. Его реализация на основе Python эффективно работает с наборами данных из более чем одного миллиона ячеек (https://github.com/theislab/Scanpy). Наряду со Scanpy мы представляем AnnData, универсальный класс для обработки аннотированных матриц данных (https://github. com/theislab/anndata).

История вопроса

Простые интегрированные рабочие процессы анализа транскриптомных данных отдельных клеток [1] ​​стали возможными благодаря таким платформам, как SEURAT [2], MONOCLE [3], SCDE/PAGODA [4], MAST [5], CELL RANGER [6], SCATER [7] и SCRAN [8]. Однако эти платформы не масштабируются для все более доступных больших наборов данных, содержащих до миллиона ячеек и более. Здесь мы представляем структуру, которая преодолевает это ограничение и предоставляет аналогичные возможности анализа. Более того, в отличие от существующих фреймворков на основе R, реализация SCANPY на основе Python легко взаимодействует с передовыми пакетами машинного обучения, такими как TENSORFLOW [9].].

Результаты

SCANPY интегрирует канонические методы анализа в масштабируемом виде

SCANPY интегрирует возможности анализа установленных фреймворков на основе R и предоставляет их в масштабируемой и модульной форме. В частности, SCANPY обеспечивает предварительную обработку, сравнимую с SEURAT [10] и CELL RANGER [6], визуализацию с помощью TSNE [11, 12], рисование графиков [13–15] и диффузионные карты [11, 16, 17], кластеризацию, аналогичную PHENOGRAPH. [18–20], идентификация маркерных генов для кластеров с помощью тестов дифференциальной экспрессии и псевдовременного упорядочения с помощью диффузионного псевдовремени [21], что выгодно отличается [22] от MONOCLE 2 [22] и WISHBONE [23] (рис. 1a).

Рис. 1

a Функции анализа SCANPY. Мы используем пример 68 579 мононуклеарных клеток периферической крови [6]. Мы регрессируем смешанные переменные, нормализуем и идентифицируем сильно изменчивые гены. Визуализации TSNE и графического рисунка (Фрухтерман-Рейнгольд) показывают аннотации клеточного типа, полученные путем сравнения с массовым выражением. Клетки группируются с использованием алгоритма Лувена. Ранжирование дифференциально экспрессируемых генов в кластерах идентифицирует маркерный ген MS4A1 для В-клеток в кластере 7, что согласуется с общими метками. Мы используем псевдовременное упорядочение от корневой клетки в кластере CD34+ и обнаруживаем траекторию ветвления, визуализируемую с помощью карт TSNE и диффузии. b Набор для ускорения CELL RANGER R. Рассмотрим репрезентативные шаги анализа [6]. c Визуализация и кластеризация 1,3 миллиона клеток. Данные о клетках мозга мышей E18 находятся в открытом доступе на сайте 10x Genomics. PCA = анализ главных компонент, DC = компонент диффузии

Полноразмерное изображение

SCANPY сравнивается с установленными пакетами

В подробном руководстве по кластеризации 2700 мононуклеарных клеток периферической крови (PBMC), адаптированном из одного из руководств SEURAT (http://satijalab.org/seurat/pbmc3k_tutorial.html) [2], выполняются все шаги, начиная с необработанных данных подсчета и заканчивая идентификацией типов клеток, обеспечивая ускорение от 5 до 90 раз на каждом этапе (https://github.com/theislab/scanpy_usage/tree/master/170505_seurat). Сравнивая с более оптимизированным во время выполнения комплектом CELL RANGER R [6], мы демонстрируем ускорение от 5 до 16 раз для набора данных из 68 579 PBMC (рис.  1a,b, https://github.com/theislab/scanpy_usage). /дерево/мастер/170503_zheng17) [6]. Кроме того, мы демонстрируем возможность анализа 1,3 миллиона ячеек без подвыборки за несколько часов вычислительного времени на восьми ядрах небольшого вычислительного сервера (рис. 1c, https://github.com/theislab/scanpy_usage/tree/master/170522_visualizing_one_million_cells). ). Таким образом, SCANPY предоставляет инструменты с ускорением, которые позволяют анализировать наборы данных с более чем одним миллионом ячеек и интерактивный анализ со временем выполнения порядка секунд для примерно 100 000 ячеек.

В дополнение к упомянутым стандартным подходам анализа на основе кластеризации мы демонстрируем реконструкцию ветвящихся процессов развития с помощью диффузионного псевдовремени [21], как и в оригинальной статье (https://github.com/theislab/scanpy_usage/tree/master/ 170502_haghverdi16), моделирование одиночных клеток с помощью курируемых в литературе сетей регуляции генов на основе идей [24] (https://github. com/theislab/scanpy_usage/tree/master/170430_krumsiek11), а также анализ методов глубокого обучения результаты для данных визуализации одиночных клеток [25] (https://github.com/theislab/scanpy_usage/tree/master/170529_картинки).

SCANPY представляет эффективные варианты модульной реализации

В SCANPY мы вводим класс ANNDATA — с соответствующим пакетом ANNDATA — который хранит матрицу данных с наиболее общими возможными аннотациями: аннотации наблюдений (выборки, ячейки) и переменных (признаки, гены) и неструктурированные аннотации. Поскольку SCANPY построен вокруг этого класса, в набор инструментов легко добавить новые функции. Все инструменты статистики и машинного обучения извлекают информацию из матрицы данных, которую можно добавить к объекту ANNDATA, не затрагивая структуру ANNDATA. ANNDATA похож на EXPRESSIONSET [26] в R, но поддерживает разреженные данные и позволяет создавать резервные копии объектов ANNDATA на основе HDF5 на диске — формат, не зависящий от платформы, фреймворка и языка. Это позволяет работать с объектом ANNDATA, не загружая его полностью в память — функциональность предлагается в резервном режиме ANNDATA, а не в режиме памяти. Чтобы упростить конвейеры с эффективным использованием памяти, функции SCANPY по умолчанию работают на месте, но допускают дополнительное неразрушающее преобразование объектов. Конвейеры, написанные таким образом, затем также могут быть запущены в резервном режиме для использования формулировок алгоритмов онлайн-обучения. Почти все инструменты SCANPY распараллелены.

SCANPY представляет класс для представления графа отношений соседства между точками данных. Вычисление отношений соседства происходит намного быстрее, чем в популярном справочном пакете [27]. Это достигается путем агрегирования строк (наблюдений) в матрице данных в подматрицы и вычисления расстояний для каждой подматрицы с использованием быстрого параллелизованного матричного умножения. Кроме того, класс предоставляет несколько функций для вычисления метрик на основе случайного блуждания, которые недоступны в других графических программах [14, 28, 29]. ]. Как правило, инструменты SCANPY повторно используют однажды вычисленное единое графическое представление данных и, следовательно, избегают использования различных, потенциально противоречивых и ресурсоемких представлений данных.

Выводы

Масштабируемость SCANPY напрямую удовлетворяет постоянно растущую потребность в агрегировании все больших и больших наборов данных [30] в различных экспериментальных установках, например, в рамках таких задач, как Атлас клеток человека [31]. Более того, будучи реализованным по модульному принципу, SCANPY может легко развиваться и поддерживаться сообществом. Передача результатов, полученных с помощью различных инструментов, используемых в сообществе, проста, поскольку форматы и объекты хранения данных SCANPY не зависят от языка и являются кросс-платформенными. SCANPY хорошо интегрируется в существующую экосистему Python, в которой еще нет сопоставимого инструментария.

Во время пересмотра этой статьи был предложен формат файла ткацкого станка (https://github. com/linnarsson-lab/loompy) для хранения аннотированных данных на основе HDF5. В рамках совместных усилий по облегчению обмена данными между различными лабораториями ANNDATA теперь поддерживает импорт и экспорт в ткацкий станок (https://github.com/linnarsson-lab/loompy). В этом контексте мы признательны за обсуждения с С. Линнарсоном, которые побудили нас расширить ранее статическую поддержку ANNDATA до динамической поддержки HDF5. Непосредственно перед отправкой этой рукописи библиотека C++, которая обеспечивает простое взаимодействие матриц на основе HDF5 в R, была доступна в виде препринта [32].

Методы

Технологические основы SCANPY

Ядро SCANPY основано на NUMPY [33], SCIPY [34], MATPLOTLIB [35], PANDAS [36] и H5PY [37]. Части инструментария основаны на SCIKIT-LEARN [27], STATSMODELS [38], SEABORN [39], NETWORKX [28], IGRAPH [14], пакете TSNE [40] и пакете кластеризации Louvain [41]. . Класс ANNDATA, доступный в пакете ANNDATA, использует только NUMPY, SCIPY, PANDAS и H5PY.

Реализация SCANPY на основе Python позволяет легко взаимодействовать с передовыми пакетами машинного обучения, такими как TENSORFLOW [9] для глубокого обучения [42], LIMIX для линейных смешанных моделей [43] и GPY/GPFLOW для гауссовских процессов [44, 45]. Тем не менее, мы отмечаем, что экосистема Python имеет меньше возможностей для классического статистического анализа по сравнению с R.

Сравнение с существующими пакетами Python для анализа отдельных клеток /scLVM) [46, 47], который использует модели латентных переменных гауссовского процесса для вывода скрытых источников вариации, существуют, среди прочего, фреймворки визуализации FASTPROJECT (https://github.com/YosefLab/FastProject) [48], АКЦИНА (http://www.cellaccense.com/) [49] и SPRING (https://github.com/AllonKleinLab/SPRING) [15] — последний использует пакет JavaScript (http://d3js.org D3.js для фактической визуализации и Python только для препроцессинга — траектория инструмент логического вывода SCIMITAR (https://github.

com/dimenwarper/scimitar), инструмент кластеризации PHENOGRAPH (https://github.com/jacoblevine/PhenoGraph) [19], инструмент планирования экспериментов с одной ячейкой MIMOSCA (https:/ /github.com/asncd/MIMOSCA)[50], UMIS (https://github.com/vals/umis) для обработки необработанных прочитанных данных [51], инструмент вывода дерева ECLAIR (https://github.com /GGiecold/ECLAIR) [52] и фреймворк FLOTILLA (https://github.com/yeolab/flotilla), который поставляется с модулями для простой визуализации, простой кластеризации и дифференциального тестирования выражений, следовательно, только последний обеспечивает фреймворк для анализа данных, решающий более одной конкретной задачи.Однако, в отличие от SCANPY, FLOTILLA не ориентирована ни на одноячеечные, ни на крупномасштабные данные и не предоставляет графических методов, которые h являются ядром SCANPY. Кроме того, FLOTILLA построена вокруг сложного класса STUDY, который содержит данные, инструменты и функции построения графиков. SCANPY, напротив, построен на основе простого класса ANNDATA, поддерживаемого HDF5, что делает SCANPY масштабируемым и расширяемым (закон Деметры).

Доступность и требования

Открытый исходный код SCANPY и ANNDATA поддерживается на GITHUB (https://github.com/theislab/scanpy, https://github.com/theislab/anndata) и публикуется под лицензией BSD3.

SCANPY и ANNDATA выпускаются через индекс пакетов Python: https://pypi.python.org/pypi/scanpy и https://pypi.python.org/pypi/anndata.

Демонстрации и тесты, обсуждаемые в основном тексте, хранятся по адресу https://github.com/theislab/scanpy_usage и обобщаются здесь:

• Анализ 68 579 РВМС (рис. 1) в сравнении с набором Cell Ranger R [6]: https://github.com/theislab/scanpy_usage/tree/master/170503_zheng17.

• Кластеризация и идентификация типов клеток, адаптировано и проверено на основе http://satijalab.org/seurat/pbmc3k_tutorial.htmlи одного из учебных пособий Seurat [2]: https://github.com/theislab/scanpy_usage/tree/master/170505_seurat .

• Визуализация и кластеризация 1,3 миллиона ячеек (рис.  1c): https://github.com/theislab/scanpy_usage/tree/master/170522_visualizing_one_million_cells.

• Реконструкция ветвящихся процессов с помощью псевдовремени диффузии [21]: https://github.com/theislab/scanpy_usage/tree/master/170502_haghverdi16.

• Моделирование отдельных клеток с использованием сетей регуляции генов [24]: https://github.com/theislab/scanpy_usage/tree/master/170430_krumsiek11.

• Анализ результатов глубокого обучения для изображений с одной ячейкой [25]: https://github.com/theislab/scanpy_usage/tree/master/170529_images.

Наборы данных, используемые в демонстрациях и тестах, представляют собой три набора данных от 10x Genomics.

Язык программирования: Python.

Операционная система: Linux, Mac OS и Windows. Нац биотехнолог. 2016; 34:1145–60.

Артикул КАС пабмед ПабМед Центральный Google Scholar

• Сатия Р., Фаррелл Дж. А., Геннерт Д., Шир А. Ф., Регев А. Пространственная реконструкция данных экспрессии генов одноклеточных. Нац биотехнолог. 2015 г.; 33:495–502.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Trapnell C, et al. Динамика и регуляторы решений клеточных судеб выявляются с помощью псевдовременного упорядочения одиночных клеток. Нац биотехнолог. 2014; 32:381–6.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Харченко П.В., Зильберштейн Л., Скадден Д.Т. Байесовский подход к анализу дифференциальной экспрессии одноклеточных. Нат Методы. 2014; 11: 740–2.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Finak, G, et al. MAST: гибкая статистическая основа для оценки транскрипционных изменений и характеристики гетерогенности в данных секвенирования одноклеточной РНК. Геном биол. 2015 г.; 16:278.

  Артикул Google Scholar

• Zheng GXY и др. Массивно параллельное цифровое профилирование транскрипции отдельных клеток. Нац коммун. 2017; 8:14049.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Маккарти Д., Уиллс К., Кэмпбелл К. Скейтер: набор инструментов для анализа отдельных клеток для данных об экспрессии генов в R. Bioinformatics. 2017; 33:1179.

  ПабМед ПабМед Центральный Google Scholar

• Лун А., Маккарти Д., Мариони Дж. Пошаговый рабочий процесс низкоуровневого анализа данных секвенирования РНК одиночных клеток с помощью Bioconductor. F1000Исследование. 2016; 5:2122.

  ПабМед ПабМед Центральный Google Scholar

• Абади М. и др. TensorFlow: крупномасштабное машинное обучение в гетерогенных системах. 2015. https://www.tensorflow.org/about/bib.

• Macosko EZ, et al. Высокопараллельное профилирование полногеномной экспрессии отдельных клеток с использованием нанолитровых капель. Клетка. 2015 г.; 161:1202–14.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Coifman RR, et al. Геометрические диффузии как инструмент гармонического анализа и определения структуры данных: карты диффузии. Proc Natl Acad Sci. 2005 г.; 102: 7426–31.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Amir EAD, Davis KL, Tadmor MD, Simonds EF, Levine JH, Bendall SC, et al. ViSNE позволяет визуализировать высокоразмерные данные по отдельным клеткам и выявляет фенотипическую гетерогенность лейкемии. Нац биотехнолог. 2013; 31: 545–52.

  Артикул КАС ПабМед Центральный Google Scholar

• Рейнгольд Э.М. Рисование графика с помощью силового размещения. Программное обеспечение Практика Exp. 1991 год; 21:1129–64.

  Артикул Google Scholar

• Чарди Г., Непуш Т. Программный пакет igraph для сложных сетевых исследований. InterJournal Compl Syst. 2006 г.; 2006:1695.

  Google Scholar

• Weinreb C, Wolock S, Klein A. Spring: кинетический интерфейс для визуализации многомерных данных экспрессии отдельных клеток. bioRxiv. 2017. https://doi.org/10.1093/bioinformatics/btx792.

• Бюттнер Ф., Тайс Ф. Дж. Карты диффузии для многомерного одноклеточного анализа данных дифференцировки. Биоинформатика. 2015 г.; 31:2989–98.

  Артикул пабмед Google Scholar

• Angerer P, et al.destiny: Карты диффузии для крупномасштабных одноклеточных данных в R. Bioinformatics. 2015 г.; 32:1241.

  Артикул пабмед Google Scholar

• Блондель В.Д., Гийом Ж-Л., Ламбиот Р., Лефевр Э. Быстрое развертывание сообществ в больших сетях. J Стат Мех. 2008 г.; 2008: P10008.

  Артикул Google Scholar

• Levine JH, et al. Фенотипическое вскрытие ОМЛ на основе данных выявляет клетки, подобные предшественникам, которые коррелируют с прогнозом. Клетка. 2015 г.; 162:184–97.

  Артикул пабмед ПабМед Центральный Google Scholar

• Xu C, Su Z. Идентификация типов клеток по одноклеточным транскриптомам с использованием нового метода кластеризации. Биоинформатика. 2015 г.; 31:1974–80.

  Артикул КАС пабмед Google Scholar

• Хагверди Л., Бюттнер М., Вольф Ф.А., Бюттнер Ф., Тайс Ф.Дж. Диффузионное псевдовремя надежно реконструирует ветвящиеся клеточные линии. Нат Методы. 2016; 13:845–8.

  Артикул пабмед Google Scholar

• Qiu X, et al. Встраивание обратного графа разрешает сложные одноклеточные траектории. Нат Методы. 2017; 14:979–82.

  Артикул КАС пабмед Google Scholar

• Setty, M, et al. Wishbone идентифицирует бифуркационные траектории развития по данным одноклеточных. Нац биотехнолог. 2016; 34: 637–45.

  Артикул Google Scholar

• Wittmann, DM, et al. Преобразование булевых моделей в непрерывные модели: методология и применение к передаче сигналов Т-клеточного рецептора. BMC Сист Биол. 2009 г.; 3:98.

  Артикул Google Scholar

• Эйленберг П. и др. Реконструкция клеточного цикла и прогрессирования заболевания с помощью глубокого обучения. Нац коммун. 2017; 8:463.

  Артикул пабмед ПабМед Центральный Google Scholar

• Huber, W, et al. Организация высокопроизводительного геномного анализа с помощью Bioconductor. Нат Методы. 2015 г.; 12:115–21.

  Артикул Google Scholar

• Педрегоса Ф. и др. Scikit-learn: машинное обучение в Python. Дж. Мах Узнать Рез. 2011 г.; 12:2825–30.

  Google Scholar

• Хагберг А.А., Шульт Д. А., Сварт П.Дж. Изучение структуры, динамики и функций сети с помощью networkx. В: Материалы 7-й конференции Python в науке (SciPy2008). Пасадена: 2008. с. 11–15.

• Bastian M, Heymann S, Jacomy M. Gephi: программное обеспечение с открытым исходным кодом для исследования сетей и управления ими. Международная конференция AAAI по блогам и социальным сетям. 2009.

• Angerer, P, et al. Отдельные клетки создают большие данные: новые проблемы и возможности в транскриптомике. Curr Opin Syst Biol. 2017; 4:85–91.

  Артикул Google Scholar

• Регев А. и др. Научный форум: атлас клеток человека. электронная жизнь. 2017; 6:e27041.

  Артикул пабмед ПабМед Центральный Google Scholar

• Lun ATL, Pages̀ H, Smith ML. beachmat: API-интерфейс Bioconductor C++ для доступа к данным геномики отдельных клеток из различных типов матрицы R. bioRxiv. 2017. https://doi.org/10.1101/167445.

• ван дер Уолт С., Колберт С.К., Вароко Г. Массив NumPy: структура для эффективных численных вычислений. Инженер по вычислительной технике. 2011 г.; 13:22–30.

  Артикул Google Scholar

• Джонс Э., Олифант Т., Петерсон П. и др. SciPy: научные инструменты с открытым исходным кодом для Python. 2001. https://www.scipy.org/citing.html.

• Хантер Д.Д. Matplotlib: среда 2D-графики. Инженер по вычислительной технике. 2007 г.; 9:90–5.

  Артикул Google Scholar

• МакКинни В. Структуры данных для статистических вычислений в Python В: ван дер Уолт С., Миллман Дж., редакторы. Материалы 9-й конференции Python в науке: 2010. с. 51–6.

• Коллетт А. Python и HDF5. Sebasto pol: О’Рейли; 2013.

  Google Scholar

• Сиболд С., Перктольд Дж. Статистические модели: эконометрическое и статистическое моделирование с помощью Python. 9-я Python в научной конференции. 2010.

• Waskom, M, et al. В: Varoquaux G, Vaught T, Millman J, (eds).Seaborn; 2016. http://doi.org/10.5281/zenodo.12710, https://networkx.github.io/documentation/networkx-1.10/reference/citing.html.

• Ульянов Д. Мультикор-цнэ. 2016. https://github.com/DmitryUlyanov/Multicore-TSNE.

• Трааг V, Лувен. Гитхаб. 2017. https://doi.org/10.5281/zenodo.595481.

• ЛеКун Ю., Бенжио Ю., Хинтон Г. Глубокое обучение. Природа. 2015 г.; 521: 436–44.

  Артикул КАС пабмед Google Scholar

• Lippert C, Casale FP, Rakitsch B, Stegle O. In: van der Walt S, Millman J, (eds).Limix: генетический анализ множественных признаков; 2014 г. https://doi.org/10.1101/003905, http://conference.scipy.org/proceedings/scipy2010/mckinney.html. bioRxiv.

• Matthews AGdeG, van der Wilk M, Nickson T, Fujii K, Boukouvalas A, Le’on-Villagr’a P, Ghahramani Z, Hensman J. GPflow: библиотека процессов Гаусса с использованием TensorFlow. Дж. Мах Узнать Рез. 2017; 18(40):1–6. http://jmlr.org/papers/v18/16-537.html.

• Мэтьюз де, Г., Александр Г. и др. GPflow: библиотека процессов Гаусса с использованием TensorFlow. Дж. Мах Узнать Рез. 2017; 18:1–6. https://github.com/SheffieldML/GPy.

• Buettner F, et al. Вычислительный анализ межклеточной неоднородности в данных секвенирования РНК одной клетки выявляет скрытые субпопуляции клеток. Нац биотехнолог. 2015 г.; 33:155.

  Артикул КАС пабмед Google Scholar

• Buettner F, Pratanwanich N, McCarthy DJ, Marioni JC, Stegle O. f-scLVM: масштабируемый и универсальный факторный анализ для одноклеточной РНК-seq. Геном биол. 2017; 18:212.

  Артикул пабмед ПабМед Центральный Google Scholar

• ДеТомасо Д., Йосеф Н. Fastproject: инструмент для низкоразмерного анализа данных секвенирования РНК одной клетки. БМК Биоинформ. 2016; 17:315.

  Артикул Google Scholar

• Шекхар К., Бродин П., Дэвис М.М., Чакраборти А.К. Автоматическая классификация клеточной экспрессии с помощью нелинейного стохастического встраивания (акцент): 2013. стр. 202–7.

• Dixit A, et al. Perturb-seq: анализ молекулярных цепей с масштабируемым профилированием одноклеточной РНК объединенных генетических скринингов. Клетка. 2016; 167:1853–66.e17.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Свенссон В. и др. Анализ мощности экспериментов по секвенированию РНК в одной клетке. Нат Методы. 2017; 14:381.

  Артикул КАС пабмед ПабМед Центральный Google Scholar

• Giecold G, Marco E, Garcia SP, Trippa L, Yuan G-C. Надежная реконструкция родословной на основе многомерных одноклеточных данных. Нуклеиновые Кислоты Res. 2016; 44:e122.

  Артикул пабмед ПабМед Центральный Google Scholar

Ссылки на скачивание

Благодарности

Мы благодарим авторов Seurat, Cell Ranger и spring за то, что они поделились своими замечательными руководствами. Мы благодарны Стену Линнарсону за обсуждение поддержки HDF5 данных на диске. Мы благодарим С. Тритчлера, Л. Саймона, Д. С. Фишера и М. Бюттнера за комментарии к программному пакету. Мы благодарим М. Лотфоллахи за кластеризацию набора данных из 1,3 миллиона ячеек и Н. К. Члиса за настройку инструкций по установке для Windows.

Финансирование

FAW признательна за поддержку Программы постдоков Гельмгольца, Инициативы и Сетевого фонда Ассоциации Гельмгольца. FJT выражает благодарность Немецкому исследовательскому фонду (DFG) в рамках Совместного исследовательского центра 1243, подпроект A17.

Информация об авторе

Авторы и организации

1. Helmholtz Zentrum München – Немецкий исследовательский центр гигиены окружающей среды, Институт вычислительной биологии, Мюнхен, Нойхерберг, Германия

   F. Alexander Wolf, Philipp Angerer & Fabian J. Theis

2. Департамент математики, Technische Universität München, Munich, Germany

   Fabian J. Theis

Автора. публикации

Вы также можете искать этого автора в PubMed Google Scholar

• Philipp Angerer

  Просмотр публикаций автора

  Вы также можете искать этого автора в PubMed Google Академия

• Fabian J. Theis

  Посмотреть публикации автора

  Вы также можете искать этого автора в PubMed Google Scholar

Contributions

Компания FAW задумала проект и разработала программное обеспечение. PA участвовала в разработке программного обеспечения, в основном в отношении архитектуры и удобства обслуживания. FJT руководил проектом и помогал интерпретировать и представлять результаты. FAW написал рукопись с помощью PA и FJT. Все авторы прочитали и одобрили окончательный вариант рукописи.

Авторы переписки

Переписка с Ф. Александр Вольф или Фабиан Дж. Тайс.

Декларация этики

Утверждение этики и согласие на участие

Утверждение этики не применимо к данному исследованию.

Конкурирующие интересы

Ни один из авторов не заявляет о конкурирующих интересах.

Примечание издателя

Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и ​​институциональной принадлежности.