02.12

-scRNA-seq collects gene expression data from each individual cell

-unlike bulk RNA sequencing where cell data is merged, obscuring individual differences

-standartized end to end workflow

-excellent data intergration capabilities

-clustering methods

-customizable visualization (UMAP)

—>It gives you a powerful, standardized, and highly flexible framework for processing and interpreting scRNA-seq data, with strong visualization and integration tools

• scRNA-Seq erfasst Genexpressionsdaten von einzelnen Zellen

• Im Gegensatz zu Bulk-RNA-Seq, bei dem Zellinformationen zusammengefasst werden und individuelle Unterschiede verdeckt bleiben

• Standardisierter End-to-End-Workflow

• Hervorragende Möglichkeiten zur Datenintegration

• Clustering-Methoden

• Anpassbare Visualisierung (z. B. UMAP)

→ Bietet ein leistungsfähiges, standardisiertes und sehr flexibles Framework zur Verarbeitung und Interpretation von scRNA-Seq-Daten, mit starken Visualisierungs- und Integrationswerkzeugen

implementing stringent QC measures is essential for distinguishing genuine biological signals from technical artifacts

-ensuring data integrity

-removal of low quality cells

-enhancing reproducability

Marker: mitochondrial genes <5% (quality criteria)

Die Implementierung strenger Qualitätskontrollen (QC) ist entscheidend, um echte biologische Signale von technischen Artefakten zu unterscheiden

• Sicherstellung der Datenintegrität

• Entfernung von Zellen niedriger Qualität

• Verbesserung der Reproduzierbarkeit

Marker: mitochondriale Gene < 5 % (Qualitätskriterium)

-ensures that the data comparisons are meaningful

-It corrects for variations in gene expression that arise from technical differences rather than biological factors

-allowing accurate analysis and interpretation of the true biological differences between cells

• Stellt sicher, dass Datenvergleiche aussagekräftig sind

• Korrigiert für Variationen in der Genexpression, die durch technische Unterschiede und nicht durch biologische Faktoren entstehen

• Ermöglicht eine genaue Analyse und Interpretation der tatsächlichen biologischen Unterschiede zwischen Zellen

By pinpointing variable features, we ensure that PCA captures the most biologically relevant signals, which are the variations that truly differentiate the cells

—>identifying variable features fine-tunes our dataset, preparing it for accurate and meaningful high-dimensional analyses

Durch das Identifizieren variabler Merkmale stellen wir sicher, dass PCA die biologisch relevantesten Signale erfasst, also die Variationen, die die Zellen tatsächlich unterscheiden

→ Die Bestimmung variabler Merkmale verfeinert unseren Datensatz und bereitet ihn für genaue und aussagekräftige hochdimensionale Analysen vor

-UMAP (Uniform Manifold Approximation and Projection) to visualize our clustered data

-transforming data into 2D representation

-see the different cell groups in our dataset and understand how they relate to each other, effectively confirming the distinct cell populations we’ve identified through clustering

• UMAP (Uniform Manifold Approximation and Projection) zur Visualisierung unserer geclusterten Daten

• Transformation der Daten in eine 2D-Darstellung

• Ermöglicht die Darstellung der verschiedenen Zellgruppen in unserem Datensatz und das Verständnis ihrer Beziehungen zueinander, wodurch die durch Clustering identifizierten, unterschiedlichen Zellpopulationen effektiv bestätigt werden

In single-cell RNA-seq, counts are the number of sequencing reads assigned to each gene in each cell, representing the gene’s expression level in that cell. They form the primary gene-by-cell matrix for downstream analysis

Reads are the short sequences obtained from sequencing cDNA fragments

Bei Single-Cell RNA-Seq sind Counts die Anzahl der Sequenzier-Lesungen (Reads), die jedem Gen in jeder Zelle zugeordnet werden und die Expressionsstärke dieses Gens in der jeweiligen Zelle darstellen. Sie bilden die primäre Gen-gegen-Zelle-Matrix für die weitere Analyse.

Reads sind die kurzen Sequenzen, die beim Sequenzieren von cDNA-Fragmenten erhalten werden.

-assigns biological identities to single cells or clusters in scRNA-seq data

-essential for understanding sample composition, detecting rare cell types, comparing conditions, interpreting function, integrating references, and enabling downstream analyses

• Weist einzelnen Zellen oder Zell-Clustern in scRNA-Seq-Daten biologische Identitäten zu

• Wesentlich für das Verständnis der Probenzusammensetzung, die Erkennung seltener Zelltypen, den Vergleich von Bedingungen, die Interpretation von Funktionen, die Integration von Referenzdaten und die Ermöglichung von Downstream-Analysen

Literature review—> systematic method

—>exttraction of key information of large datasets and finding meaningfull associations

Literaturübersicht → systematische Methode

→ Extraktion von Schlüsselinformationen aus großen Datensätzen und Erkennen sinnvoller Zusammenhänge

Finding database—>downloading datasets-->data curation—>identify patterns—>draw conclusion

Datenbank finden → Datensätze herunterladen → Datenaufbereitung → Muster erkennen → Schlussfolgerungen ziehen

Challenges: Data quality, Integration, Interpretability, Privacy and ethics

Herausforderungen: Datenqualität, Integration, Interpretierbarkeit, Datenschutz und ethische Aspekte

Drug discovery: finding new drug candidates/ repurposing

Personalized medicine: tailor treatment to individual patients

Arzneimittelentdeckung: Finden neuer Wirkstoffkandidaten / Neunutzung bestehender Medikamente

Personalisierte Medizin: Behandlung auf den einzelnen Patienten zuschneiden

Databases: NCBI (Pubmed, Pubchem, MeSH), TTD

Tools: R, Python

Einlesen der Count-Matrix

QC: Filtern nach mitochondrialen Genen, nFeature, nCount

Normalisierung (SCTransform oder LogNormalize)

Variable Gene bestimmen

Skalieren

PCA

Clustering (FindNeighbors, FindClusters)

UMAP/t-SNE

Marker-Gene finden

Anmerkung/Annotation der Cluster

Optional: Integration, DE-Analyse, Trajektorien, Velocity