Serviços de Biologia de Célula Única e Espacial: Desde scRNA-Seq até Transcriptómica Espacial para Análise Celular de Precisão

A sequenciação de RNA de célula única resolve a expressão génica com resolução a nível de célula individual; a transcriptómica espacial mapeia esses padrões de expressão na arquitetura tecidual nativa. Juntas, elas respondem a que tipos de células existem, quais estados ocupam e onde residem. Este guia aborda a seleção de plataformas, as compensações no desenho experimental e como alinhar questões biológicas à constelação tecnológica adequada.

Figura 1: Paisagem Tecnológica de Biologia de Célula Única e Espacial — Visão Geral das Plataformas de scRNA-seq, Espacial e Multi-Ómicas

De Médias de Bulk a Resolução Celular

A limitação central da sequenciação de RNA em massa não é a sensibilidade — é a média. Uma amostra de RNA-seq em massa de um tumor contém transcritos de células malignas, células T infiltrantes, fibroblastos estromais, células endoteliais e macrófagos, cada um expressando um programa genético fundamentalmente diferente. A medição em massa colapsa esta heterogeneidade numa única média ponderada. A análise de expressão diferencial entre o tumor e o tecido normal adjacente pode identificar centenas de genes estatisticamente significativos, mas não pode dizer se a regulação positiva do IL6 provém das células cancerígenas ou das células imunes infiltrantes.

O scRNA-seq resolve isto ao encapsular células individuais em gotas de escala nanoliter, etiquetando os transcritos de cada célula com um código de barras único e sequenciando-os separadamente. Uma única corrida do 10x Genomics Chromium perfila de 500 a 20.000 células em paralelo, gerando uma matriz onde as linhas são genes, as colunas são células e cada entrada é o número de moléculas de transcritos detectadas (1). O resultado não é um perfil de expressão por amostra, mas milhares — cada um uma janela para o estado transcriptómico de uma única célula.

As implicações práticas são profundas. Um estudo de scRNA-seq de cancro do pulmão não pequenas células que perfilou 50.000 células identificou 12 populações imunes e estromais distintas cujas abundâncias relativas previam o prognóstico dos pacientes — informação invisível na média global. Estudos sobre a resposta a inibidores de pontos de verificação em pacientes com melanoma utilizaram scRNA-seq emparelhado e sequenciação do receptor de células T para distinguir clones de células T reativas ao tumor de acompanhantes imunológicos. A tecnologia passou de prova de conceito para implementação rotineira em estudos em escala de coorte.

Figura 2: Árvore de Decisão para Preparação de Amostras — Células Frescas vs Núcleos vs Células Fixas vs Seleção de Fluxo de Trabalho FFPE

Tecnologia de Sequenciação de RNA de Células Únicas (scRNA-Seq)

Os fluxos de trabalho de scRNA-seq convergem numa arquitetura comum. Uma suspensão de células individuais é carregada num instrumento de microfluídica, onde as células individuais são coencapsuladas com esferas de gel codificadas em códigos de barras em gotículas de óleo. Cada esfera transporta milhões de oligonucleotídeos que partilham o mesmo código de barras celular, mas diferem por um identificador molecular único aleatório (UMI), permitindo a contagem de transcritos com precisão molecular. Dentro de cada gotícula, as células são lisadas, o mRNA é capturado por priming com poli(dT), e a transcrição reversa incorpora o código de barras celular e o UMI no cDNA. Após a quebra das gotículas e a agregação, o cDNA codificado em códigos de barras de milhares de células é amplificado, fragmentado e sequenciado numa única biblioteca.

A plataforma comercial dominante é a série Chromium da 10x Genomics (1, 5). A química GEM-X v4 de geração atual melhora a sensibilidade de captura de transcritos em comparação com a sua predecessora, particularmente para tipos celulares de baixo RNA, como células imunes quiescentes e certas populações neuronais. A eficiência de captura celular ronda aproximadamente os 50 a 65 por cento, com taxas de duplicação abaixo de 0,9 por cento por 1.000 células recuperadas. Uma corrida padrão que visa 5.000 a 10.000 células com 20.000 a 50.000 pares de leituras por célula proporciona um agrupamento robusto e expressão diferencial para as principais populações celulares presentes em frequências superiores a aproximadamente um por cento.

Várias alternativas ocupam nichos importantes. O SMART-seq3, um método baseado em placas, produz cobertura de transcritos completos em vez de leituras enviesadas para 3' ou 5', capturando junções de splicing, diversidade de isoformas e mutações pontuais. Destaca-se quando o número de células é limitado — centenas em vez de milhares — e a caracterização profunda por célula é mais importante do que estatísticas a nível populacional. A abordagem de codificação em pool dividido da Parse Biosciences elimina completamente a microfluídica, utilizando rondas sequenciais de codificação em poços para rotular até 100.000 células por experimento a um custo por célula mais baixo.

A nova fronteira das leituras longas acrescenta outra dimensão. O sequenciamento PacBio HiFi e Oxford Nanopore agora fornece resolução de isoformas completas a nível de célula única, resolvendo eventos de splicing alternativo, transcritos de fusão e expressão específica de alelos. Esta capacidade é particularmente relevante para a neurociência, onde o splicing alternativo gera uma extensa diversidade transcriptómica, e para a oncologia, onde as fusões genéticas impulsionam a tumorigenese.

Para projetos de descoberta onde a identificação imparcial de tipos celulares é o objetivo, scRNA-seq em gotículas baseado em 10x Genomics com a química de expressão génica de 3' ou 5', captura-se toda a paisagem transcricional em milhares de células numa única corrida. Quando a questão se dirige a uma população já purificada — um subconjunto imunitário classificado, uma linha cultivada com uma perturbação específica — RNA-Seq em grande escala frequentemente oferece uma cobertura transcriptómica mais profunda a um custo por amostra mais baixo, e o valor marginal da resolução de célula única diminui. No extremo do espectro de resolução, estudos de splicing alternativo, transcritos de fusão ou uso de isoformas específicas de alelos combinam-se cada vez mais. captura de células únicas com sequenciação de longas leituras em plataformas PacBio HiFi, alcançando a resolução de isoformas completas que métodos de leitura curta com viés para 3' não conseguem fornecer.

Para um guia detalhado sobre a preparação de amostras e a decisão entre scRNA-seq e snRNA-seq, consulte o nosso guia complementar em Sequenciação de RNA de Célula Única e Núcleo Único: Preparação de Amostras, Fluxo de Trabalho e Design Experimental para Tecidos Congelados e Frescos.

Figura 3: Fluxo de Trabalho de scRNA-seq da 10x Genomics — Desde a Dissociação do Tecidos até à Análise de Dados

Transcriptómica Espacial

A limitação fundamental do scRNA-seq é a cegueira espacial. A dissociação do tecido apaga toda a informação sobre onde cada célula estava localizada — se um fibroblasto estava adjacente a um ninho tumoral ou no estroma distal, se duas células imunes interagentes estavam em contacto físico, ou se uma população rara estava agrupada numa sub-região anatómica específica. A transcriptómica espacial aborda isso ao capturar e sequenciar mRNA diretamente de seções de tecido, preservando as coordenadas bidimensionais de cada transcrito.

O panorama tecnológico abrange um contínuo de resolução. Na extremidade de baixa resolução, o 10x Visium captura transcritos em lâminas impressas com pontos de 55 micrómetros, cada um contendo oligonucleotídeos de captura com código de barras espacial. Cada ponto contém transcritos de aproximadamente 1 a 10 células. O fluxo de trabalho Visium Fresh Frozen utiliza captura de poli(A) e funciona com qualquer espécie — peixe-zebra, axolote, espécies de plantas e animais agrícolas — tornando-se a plataforma de escolha para investigação em organismos não modelo.

Na extremidade de alta resolução, o Visium HD reduz as áreas de captura para bins de 2 micrómetros através de uma matriz de oligonucleotídeos contínua, aproximando-se da resolução de célula única. A química baseada em sondas visa aproximadamente 18.000 genes humanos ou 20.000 genes de rato, tornando-a adequada para coortes FFPE onde o RNA está degradado e a captura de poli(A) falharia. O Xenium adota uma abordagem fundamentalmente diferente, utilizando FISH de molécula única com imagem cíclica para detectar transcritos individuais a uma resolução subcelular — aproximadamente 0,2 micrómetros por transcrito — com painéis cobrindo até 5.000 genes. O Stereo-seq ocupa um nicho único: matrizes de nanobolas de DNA com padrão de 220 nanómetros com cobertura de todo o transcriptoma em áreas de captura de até 13 por 13 centímetros, grandes o suficiente para seções sagitais de embriões de rato inteiros.

O desafio prático não é entender o que cada plataforma faz — é escolher entre elas. A maioria dos projetos beneficia de uma estratégia em camadas. Utilize Visium FF ou Stereo-seq para mapeamento de todo o transcriptoma a nível de descoberta, e depois valide com Visium HD para resolução a nível de célula única ou Xenium para localização subcelular.

A estratégia em camadas depende de acesso imparcial a múltiplos instrumentos. Pesquisadores que trabalham com um fornecedor que opera Visium Fresh Frozen, Visium HD, Xenium e Stereo-seq no local podem desenhar experiências em torno da questão biológica em vez de se basearem no hardware disponível. Isto torna-se decisivo para projetos que abrangem tanto a descoberta como a validação: um levantamento de todo o transcriptoma no Visium FF identifica regiões de interesse, o Visium HD fornece resolução em escala de célula única dentro dessas regiões, e o Xenium confirma transcritos-chave a nível subcelular — tudo a partir de seções seriadas do mesmo bloco de tecido.

Para um tratamento aprofundado da seleção de métodos de transcriptómica espacial e compatibilidade com FFPE, consulte o nosso guia complementar sobre 10x Genomics Transcriptómica Espacial para Tecidos FFPE e Congelados: Mapeamento da Expressão Génica no Contexto Tecidual.

Figura 4: Comparação de Plataformas de Transcriptómica Espacial — Visium vs. Visium HD vs. Xenium vs. Stereo-seq

Multi-Ómicas de Célula Única

A expressão genética a nível de célula única captura uma dimensão da identidade celular. Mas o estado funcional de uma célula T é definido não apenas pelos genes que transcreve, mas também pelo receptor de antigénio que expressa, pela paisagem de cromatina que determina quais genes são acessíveis e pelas proteínas de superfície que marcam a sua linhagem e estado de ativação. A multi-óptica a nível de célula única integra dois ou mais destes tipos de dados da mesma célula.

O ensaio 10x Genomics Single-Cell Multiome ATAC plus Gene Expression mede simultaneamente a acessibilidade da cromatina e o transcriptoma a partir do mesmo núcleo. Os núcleos isolados são transpostos com a transposase Tn5, que insere preferencialmente adaptadores de sequenciação em regiões de cromatina aberta, enquanto o mRNA nuclear é capturado utilizando química de pérolas de gel com código de barras. Após a sequenciação, cada código de barras celular gera dois tipos de dados interligados — um perfil de expressão génica e um perfil de acessibilidade da cromatina. Esta leitura emparelhada permite a inferência de redes regulatórias de genes que seria impossível com qualquer uma das modalidades isoladamente.

A caracterização do repertório imunitário adiciona uma camada adicional. O ensaio de expressão génica 5' captura a região V(D)J dos transcritos do recetor de células T e do recetor de células B, juntamente com o transcriptoma completo, permitindo a análise emparelhada do clonótipo e do estado celular. O transcriptoma de uma única célula T revela se está ativada, exaurida ou é reguladora; a sua sequência do TCR identifica quais clones se expandiram em resposta ao antigénio.

CITE-seq (Indexação Celular de Transcritos e Epítopos por Sequenciação) estende a resolução de célula única ao nível da proteína. As células são coradas com um painel de anticorpos conjugados a oligonucleotídeos antes da encapsulação; cada anticorpo possui um código de barras único que é capturado juntamente com o mRNA da célula. Um painel típico de perfilagem imunitária inclui de 30 a 50 anticorpos direcionados a marcadores de linhagem (CD3, CD4, CD8, CD19, CD14), marcadores de ativação (CD25, CD69, HLA-DR) e moléculas de checkpoint (PD-1, TIM-3, LAG-3). O design do painel deve equilibrar a cobertura biológica com o orçamento de sequenciação — cada anticorpo adicional consome leituras. Para um painel de 50 anticorpos em 10.000 células, aloque aproximadamente 5.000 a 10.000 leituras adicionais por célula para etiquetas derivadas de anticorpos, além do orçamento de leitura transcriptómica. A titulação de anticorpos é obrigatória: titule cada conjugado de anticorpo individualmente para determinar o índice de coloração que separa claramente as populações positivas das negativas.

O verdadeiro gargalo prático em projetos de multi-ómi cas raramente é a geração de dados — é a integração. Emparelhamento da acessibilidade da cromatina com a expressão génica do mesmo núcleoou ligar o clonótipo de uma célula T ao seu fenótipo transcricional, requer estruturas computacionais que vão além dos pipelines de análise padrão de scRNA-seq. A análise de vizinhos mais próximos ponderados no Seurat v5 lida com duas modalidades, mas adicionar uma terceira — a abundância de proteínas a partir de tags derivadas de anticorpos CITE-seq, por exemplo — introduz desafios de dimensionalidade e correção de lote que exigem cuidado. planeamento experimental antecipadoA concepção da estratégia de integração computacional juntamente com o fluxo de trabalho experimental evita o cenário comum em que os dados multimodais se acumulam mais rapidamente do que podem ser analisados de forma significativa.

Para um tratamento mais aprofundado do perfil do repertório imune e do design experimental do CITE-seq, consulte o nosso guia complementar sobre V(D)J de Célula Única e CITE-Seq: Integração de Perfilagem do Repertório Imune e Multi-Ómicas com Resolução de Célula Única.

Figura 5: Tecnologias de Multi-Ómica a Nível de Célula Única — Integração de scRNA-seq, ATAC-seq, V(D)J e CITE-Seq

Decisões de Design Experimental

As decisões mais consequentes em um projeto de célula única são tomadas antes da primeira célula entrar no chip de microfluídica. O número de células, a profundidade de sequenciamento, os replicados biológicos e a escolha da plataforma são quatro variáveis interdependentes que determinam o poder estatístico, a resolução biológica e o orçamento.

Quantas Células?

A resposta é ditada pela sua população de interesse mais rara. Se a sua população-alvo representa aproximadamente dez por cento das células de entrada, capturar 3.000 células no total recupera aproximadamente 300 células-alvo — o que é adequado para expressão diferencial. Se a sua população-alvo estiver a uma frequência de um por cento, precisa de aproximadamente 10.000 a 20.000 células para recuperar de 100 a 200 células-alvo, o mínimo para uma comparação estatística fiável. Para populações abaixo de 0,1 por cento sem enriquecimento, precisa de 50.000 a 100.000 ou mais células capturadas.

Uma avaliação sistemática em 23 conjuntos de dados, totalizando 3,68 milhões de células, estabeleceu que aproximadamente 500 células por tipo celular por replicado biológico é o mínimo para uma medição quantitativa fiável da expressão génica. Abaixo deste limiar, o coeficiente de variação nas estimativas de expressão pseudobulk torna-se inaceitavelmente alto. Se não conseguir atingir 500 células para o seu tipo celular de interesse dentro de um determinado orçamento, considere o enriquecimento através de FACS antes da preparação da biblioteca.

Quantas Leituras Por Célula?

Para a classificação de tipos celulares, 20.000 a 25.000 pares de leituras por célula são suficientes. Os genes marcadores que definem linhagens estão fortemente expressos, e a sequenciação adicional mostra retornos decrescentes em termos de resolução de agrupamento. Para a expressão diferencial dentro de um tipo celular, 50.000 pares de leituras por célula fornecem a sensibilidade necessária para mudanças de dobra moderadas. Para a deteção de transcritos raros — fatores de transcrição, citocinas, RNAs não codificantes — podem ser necessárias 50.000 a 100.000 ou mais leituras por célula.

A relação crítica é o compromisso entre o número de células e a profundidade. Dentro de um orçamento fixo de sequenciação — digamos, 500 milhões de pares de leituras — pode-se sequenciar 20.000 células a 25.000 leituras por célula, ou 5.000 células a 100.000 leituras por célula. Para projetos de atlas celular onde o objetivo é descobrir populações, aloque o orçamento para o número de células. Para estudos mecanicistas onde as populações já estão identificadas e é necessária uma caracterização transcricional profunda, aloque o orçamento para a profundidade por célula. Estruturas de análise de poder, como o scPower, modelam a interação entre o tamanho da amostra, células por amostra e profundidade de sequenciação para orientar essas decisões (2).

Figura 6: Quadro de Decisão do Design Experimental — Matriz de Compromisso entre Número de Células, Profundidade de Sequenciação e Réplicas

Replicados Biológicos — O Não Negociável

A lição estatística mais importante da primeira década de scRNA-seq é que as células individuais não podem ser tratadas como réplicas independentes. Testes de expressão diferencial que comparam células individuais entre condições tratam cada célula como uma observação independente. Mas as células do mesmo amostra biológica partilham antecedentes genéticos, história ambiental e lote de processamento técnico. Tratá-las como independentes inflaciona o tamanho efetivo da amostra e produz taxas de falsos positivos de 30 a 80 por cento (3).

A solução é o pseudobulk. Para cada tipo celular dentro de cada replicado biológico, agregue as contagens de transcritos em todas as células para produzir um único perfil de expressão pseudobulk. Em seguida, aplique ferramentas padrão de expressão diferencial em bulk, como DESeq2, edgeR ou limma-voom. Esta abordagem modela a variação no nível correto — entre replicados biológicos, e não entre células individuais — e reduz as taxas de falsos positivos para os 5 por cento nominais. Revistas e revisores exigem cada vez mais análises baseadas em pseudobulk para reivindicações de expressão diferencial.

Quantas réplicas biológicas? Para uma comparação típica caso-controlo com um tamanho de efeito moderado — uma mudança de duas vezes em 10 por cento dos genes dentro de um tipo celular — três a cinco réplicas biológicas por grupo, cada uma com 500 ou mais células do tipo celular alvo, proporciona poder adequado. Experimentos piloto são fortemente recomendados: perfil dois a três amostras primeiro para determinar as frequências dos tipos celulares e confirmar o fluxo de trabalho de preparação da amostra antes de comprometer a coorte completa.

Para um guia detalhado sobre a estimativa do número de células, replicação de planeamento e otimização de orçamento, consulte o nosso guia complementar em Desenho Experimental para Estudos de Células Únicas: Número de Células, Réplicas, Profundidade de Sequenciação e Planeamento de Custos.

Fluxo de Trabalho do Serviço CD Genomics

Um projeto de biologia de célula única ou espacial abrange a preparação de amostras, construção de bibliotecas, sequenciação e análise de dados. O fluxo de trabalho da CD Genomics captura os principais pontos de decisão onde a consulta técnica acrescenta mais valor.

Figura 7: Fluxo de Trabalho do Serviço de Biologia de Células Únicas e Espaciais da CD Genomics — Amostra ao Relatório

O processo começa com uma consulta ao projeto que aborda as questões de design acima — número de células, profundidade, réplicas e seleção da plataforma. A preparação da amostra é a fase mais sensível à técnica. O tecido fresco deve ser processado em uma suspensão viável de células únicas dentro de uma janela estreita após a coleta; os protocolos de dissociação enzimática são específicos para o tecido e devem equilibrar o rendimento celular com as respostas de stress transcricional. Para amostras onde células intactas não podem ser obtidas — tecido congelado, espécimes cerebrais ricos em lipídios, blocos FFPE arquivados — fluxos de trabalho baseados em núcleos ultrapassar totalmente a dissociação celular, capturando transcritos nucleares de espécimes congelados e arquivados que seriam incompatíveis com a scRNA-seq de células inteiras.

A preparação da biblioteca segue protocolos validados com pontos de controlo de QC internos. A sequenciação é realizada em plataformas Illumina NovaSeq, com configuração de leitura e profundidade ajustadas ao tipo de ensaio e objetivos do projeto. A análise bioinformática prossegue através do Cell Ranger, Seurat v5 e ScanPy — abrangendo desmultiplexagem, alinhamento, filtragem de códigos de barras celulares, remoção de RNA ambiente, normalização, redução de dimensionalidade, agrupamento e anotação de tipos celulares. Os entregáveis a montante incluem relatórios HTML interativos com visualizações UMAP, tabelas de genes marcadores de clusters e resultados de expressão diferencial.

Para a transcriptómica espacial, o pipeline de análise adiciona clustering sensível ao espaço, seleção de pontos guiada por histologia e integração com dados de scRNA-seq correspondentes. Para projetos de multi-óptica, a análise de vizinhos mais próximos ponderados no Seurat v5 integra modalidades dentro de uma redução de dimensionalidade partilhada. As exigências computacionais não são triviais: um conjunto de dados padrão de 50.000 células requer entre 32 a 64 GB de RAM apenas para pré-processamento, e os requisitos de memória escalam de forma não linear com a contagem de células. Infraestrutura de bioinformática dedicada com o Cell Ranger, Seurat v5 e pipelines ScanPy pré-configurados, esta escalabilidade é tratada automaticamente, permitindo que os investigadores se concentrem na interpretação biológica em vez da configuração do servidor.

Perguntas Frequentes

Quando devo escolher scRNA-seq em vez de bulk RNA-seq?

Escolha scRNA-seq quando precisar resolver a heterogeneidade celular — identificando tipos de células, detectando subpopulações raras ou traçando trajetórias de desenvolvimento. Escolha bulk RNA-seq quando tiver purificado uma população celular específica e precisar de um perfil transcriptómico profundo a um custo mais baixo por amostra. Para comparações com muitas condições, considere "fazer triagem e depois aprofundar": triagem em bulk primeiro, scRNA-seq nos principais resultados.

Qual é a diferença entre scRNA-seq e snRNA-seq?

scRNA-seq utiliza células intactas de tecido fresco e captura mRNA citoplasmático. snRNA-seq utiliza núcleos isolados de tecido fresco, congelado ou difícil de dissociar e captura transcritos nucleares, evitando os artefatos de stress transcricional induzidos pela dissociação enzimática. snRNA-seq é o método preferido para tecido arquivado congelado e experimentos que requerem ATAC-seq da mesma amostra.

Qual plataforma de transcriptómica espacial devo escolher?

Utilize o Visium Fresh Frozen para descoberta de todo o transcriptoma em qualquer espécie, incluindo organismos não-modelo. Utilize o Visium HD para mapeamento espacial em resolução de célula única de amostras FFPE humanas ou de rato. Utilize o Xenium para localização de transcriptos subcelulares com leitura da morfologia celular. Utilize o Stereo-seq para mapeamento de grandes áreas — embriões inteiros, secções transversais de órgãos inteiros. Muitos projetos beneficiam da combinação de duas plataformas: uma para descoberta, outra para validação.

Quantas células preciso perfilar?

Almeje 500 células por tipo celular por replicado biológico como mínimo para análise quantitativa. Trabalhe para trás a partir da sua população mais rara de interesse: se representar 1 por cento das células de entrada, capture pelo menos 50.000 células. Se o enriquecimento via FACS for viável, o número necessário de captura diminui drasticamente.

Quantas leituras de sequenciamento por célula eu preciso?

Para a classificação de tipos celulares, de 20.000 a 25.000 pares de leituras por célula. Para a expressão diferencial dentro de um tipo celular, 50.000 pares de leituras por célula. Para a deteção de transcritos de baixa abundância, de 50.000 a 100.000 ou mais por célula. Em caso de dúvida, sequencie uma amostra piloto e verifique a curva de saturação.

Preciso de réplicas biológicas para experiências de célula única?

Sim. Células individuais não podem substituir replicados biológicos. Utilize um mínimo de três replicados biológicos por condição. Aplique pseudobulking — agregando contagens dentro de cada tipo celular e replicado — e depois use DESeq2 ou edgeR para testes de expressão diferencial. A análise ao nível de células individuais sem pseudobulking produz taxas de falsos positivos de 30 a 80 por cento.

A CD Genomics consegue lidar com organismos não modelo?

Sim. As plataformas Visium Fresh Frozen e Stereo-seq utilizam química de captura de poli(A), que funciona com qualquer espécie que possua um transcriptoma poliadenilado — não são necessários painéis de sondas específicos para cada espécie. Processámos amostras de zebrafish, axolote, arroz, choupo, porco, vaca e inúmeras outras espécies de investigação não convencionais.

Qual é o tempo de resposta para um projeto típico de célula única?

Para um projeto padrão de 4 a 8 amostras, espere de 3 a 4 semanas desde o recebimento das amostras até a conclusão do sequenciamento, mais 2 a 4 semanas para a análise bioinformática completa. Prazos acelerados estão disponíveis.

Referências:

1. Luecken MD, Theis FJ. Melhores práticas atuais na análise de RNA-seq de célula única: um tutorial. Biologia de Sistemas Moleculares. 2019;15(6):e8746. doi:10.15252/msb.20188746
2. Schmid KT, Cruceanu C, Boettger A, et al. scPower acelera e otimiza o design de estudos transcriptómicos de células únicas com múltiplas amostras. Comunicações da Natureza. 2021;12:6627. doi:10.1038/s41467-021-26779-7
3. Squair JW, Gautier M, Kathe C, et al. Enfrentando descobertas falsas na expressão diferencial de células únicas. Comunicações da Natureza. 2021;12:5692. doi:10.1038/s41467-021-25960-2
4. Du J, Yang YC, An ZJ, et al. Avanços em transcriptómica espacial e estratégias de análise de dados relacionadas. Revista de Medicina Translacional. 2023;21:330. doi:10.1186/s12967-023-04150-2
5. Zheng GXY, Terry JM, Belgrader P, et al. Perfis transcricionais digitais massivamente paralelos de células únicas. Comunicações da Natureza. 2017;8:14049. doi:10.1038/ncomms14049
6. Argelaguet R, Arnol D, Bredikhin D, et al. MOFA+: uma estrutura estatística para a integração abrangente de dados de células únicas multimodais. Biologia Genómica. 2020;21:111. doi:10.1186/s13059-020-02015-1
7. Fang S, Chen B, Zhang Y, et al. Abordagens computacionais e desafios na transcriptómica espacial. Genómica, Proteómica e Bioinformática2023;21(1):13-23. doi:10.1016/j.gpb.2022.09.006
8. Yue L, Liu F, Hu J, et al. Um guia sobre tecnologias de transcriptómica espacial, recursos de dados e abordagens de análise. Revista de Biotecnologia Computacional e Estrutural. 2023;21:940-955. doi:10.1016/j.csbj.2023.01.016

Apenas para fins de investigação, não se destina a diagnóstico clínico, tratamento ou avaliações de saúde individuais.