Unsupervised trajectory analysis of single-cell RNA-seq and imaging data reveals alternate tuft cell origins in the gut
这个pCreode是由C.H.沃丁顿创造的，它结合了希腊单词“必要的（necessary）”和“路径（path）”来描述细胞命运的过渡轨迹。我们的算法旨在从相对嘈杂的单细胞数据中识别一致路径，因此我们将此算法命名为p-(putative，假定的)Creode。从概念上讲，p-Creode决定了密集数据点集合的几何形状，以揭示过渡路径的基本结构。p-Creode与python2(2.7)和python3(3.7)兼容。
https://github.com/KenLauLab/pCreode
现代单细胞技术允许对组织内的细胞状态进行多路采样。然而，从这些单细胞数据中可重复推断发育细胞状态转变的计算工具还很缺乏。在这里，我们介绍了p-Creode，一种从单细胞数据生成多分支图的无监督算法，比较了具有不同拓扑结构的图，并推断出一个统计上可靠的细胞状态转换层次结构，它定义了细胞的发展轨迹。我们已经将p-Creode应用于细胞计数、多重免疫荧光和单细胞RNA-seq数据。作为一个测试案例，我们验证了p-Creode预测的肠簇状细胞(一种罕见的化学感觉细胞类型)的状态转变轨迹。我们明确了绒毛细胞是在小肠中依赖atoh1的分泌谱系。Herring等人开发了一种无监督算法，将单细胞RNA-seq、成像和质谱仪映射到多分支的过渡轨迹上。这种方法确定了簇状细胞的替代来源，簇状细胞是一种特殊的化学感觉细胞，位于小肠和结肠之间。
