Detailansicht
Preserving trajectory information in scRNA-seq timeseries data
Stephan Buchner
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Lebenswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Joint-Masterstudium Evolutionary Genomics and Systems Biology
Betreuer*in
Alison Cole
DOI
10.25365/thesis.80013
URN
urn:nbn:at:at-ubw:1-29898.83746.153451-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Single-cell RNA Sequencing (scRNA-seq) hat das Potenzial eröffnet, Genexpressionsmuster auf zellulärer Ebene zu untersuchen. Dadurch konnten neue Einblicke in die Diversität von Zelltypen sowie in Entwicklungs- und Differenzierungsprozesse gewonnen werden. Die zuverlässige Identifikation von Zellclustern und die anschließende Rekonstruktion präziser Entwicklungslinien aus hochdimensionalen und verrauschten Daten stellen jedoch nach wie vor eine große Herausforderung dar. In dieser Arbeit werden verschiedene Kombinationen aus Preprocessing, Dimensionsreduktion, Integration und Trajectory inference systematisch evaluiert und optimiert, mit dem Ziel, entwicklungsbiologische Information möglichst gut zu bewahren. Basierend auf dem invarianten und gut charakterisierten mitotischen Stammbaum von C. elegans wurden über 500 Methoden-Kombinationen anhand mehrerer Leistungsmetriken bewertet (Graph Edit Distance, F1-Branch Score, Hamming-Ipsen-Mikhailov Distance, kBET zur Beurteilung der Integrationsqualität). Sowohl manuell annotierte als auch durch maschinelles Lernen klassifizierte Zelltypen wurden verglichen, um unterschiedliche Annotationsstrategien zu bewerten. Durch anschließendes Bootstrapping wurde die Robustheit der Verfahren überprüft und die robustesten Methodenkombinationen für die Anwendung auf Nematostella vectensis identifiziert. Die Ergebnisse zeigen, dass eine Pipeline bestehend aus der Auswahl der 4000 variabelsten Gene, Z-Transformation, PCA, Harmony-Integration und PAGA-Trajectory inference die globale und lokale Struktur der Entwicklungslinien am besten bewahren konnte. Darüber hinaus erreicht die ML-gestützte Klassifikation eine vergleichbare Leistung zur manuellen Annotation und stellt somit eine praktikable Alternative bei fehlender Expertenannotation dar. Abschließend wurden die robustesten Pipelines auf N. vectensis angewendet, wobei neue Hypothesen zu Verbindungen und Plastizität von Zellclustern während der Entwicklung dieses Nesseltieres generiert wurden. Insgesamt präsentiert diese Arbeit ein modulares und skalierbares Framework zur trajectory inference aus scRNA-seq-Daten, gibt praktische Empfehlungen zur Gestaltung von Analyse Pipelines und liefert experimentell überprüfbare Hypothesen für die Entwicklungsbiologie.
Abstract
(Englisch)
Single-cell RNA sequencing (scRNA-seq) has unlocked the potential to explore gene expression at cellular resolution. This enabled us to gain insights into cell type diversity and also developmental or differentiation processes. However, assessing cell clusters and then reconstructing accurate lineage trajectories of those from noisy and high-dimensional data remains a major challenge. This thesis evaluates and optimizes combinations of preprocessing, dimensionality reduction, integration and trajectory inference methods to preserve developmental information, using Caenorhabditis elegans as a gold standard for benchmarking. Leveraging the invariant and well-characterized mitotic lineage tree of C. elegans, we systematically assessed over 500 method combinations using multiple performance metrics (Graph edit distance, F1-branch score, Hamming-Ipsen-Mikhailov distance, kBET for integration quality). Additionally both manually annotated and machine learning-classified cell types were evaluated to compare annotation strategies. Sequentially, bootstrapping was applied to assess robustness and to identify the most promising configurations for cross-species application to Nematostella vectensis. Our results demonstrated that a pipeline consisting of preprocessing with selecting the 4000 highly variable genes, z-transformation, PCA, harmony and PAGA trajectory inference best preserved global and local lineage structure. Furthermore, ML-based classification achieved comparable performance to manual annotation, supporting its use as a viable alternative in the absence of expert-labeled data. Finally we applied the most robust pipelines on N. vectensis, generating new hypotheses about connections and plasticity of the cell clusters in the development of the cnidarian. Overall, this work presents a modular and scalable computational framework for trajectory inference from scRNA-seq data, offers practical guidance for pipeline design, and provides experimentally testable hypotheses for developmental biology.
Schlagwörter
Schlagwörter
(Deutsch)
Entwicklungsbiologie scRNAseq single cell RNA sequencing Caenorhabditis elegans Nematostella vectensis Zellklassifikation Methodenanalyse
Schlagwörter
(Englisch)
developmental biology scRNAseq single cell RNA sequencing Caenorhabditis elegans Nematostella vectensis cellclassification machine learning method analysis
Autor*innen
Stephan Buchner
Haupttitel (Englisch)
Preserving trajectory information in scRNA-seq timeseries data
Publikationsjahr
2025
Umfangsangabe
75 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Alison Cole
Klassifikationen
42 Biologie > 42.23 Entwicklungsbiologie ,
54 Informatik > 54.89 Angewandte Informatik. Sonstiges
AC Nummer
AC17747736
Utheses ID
77995
Studienkennzahl
UA | 066 | 220 | |