# Növényi anyag és növekedési feltételek – magyar nyelvű összefoglaló
A kutatásban vad típusú *Arabidopsis thaliana* ökotípusok (Col-0, Ws-2, Cvi-0, c24 és Ler), valamint különböző mutánsok – az *aba2-3* (Col-0 háttér, ABRC CS3834), a *pyl11458* (Col-0 háttér, ABRC CS72390) és a *scr-3* (Col-0 háttér, NASC N3997) – magjait sterilizálták, majd sorokba vetették 1× (vagy a tápanyag-koncentráció hatásának vizsgálatakor 0,5×) MS alaptáptalajon (vitaminokkal, Austratec), 0,9%-os agarlemezeken, 1% szacharózzal kiegészítve (pH 5,7), és sötétben, 4 °C-on 2 napig rétegezték. Ezután a lemezeket hosszú nappalos körülmények között (16 óra fény, 8 óra sötét), 22 °C-on nevelték. A csírázás utáni 6–7. napon (d.a.g.) a gyökérvégeket (körülbelül 3 mm-ig) éles csipesszel gyűjtötték be protoplasztizoláláshoz. Minden kísérletben a magoncokat azonos körülmények között nevelték és a nap azonos időpontjában gyűjtötték be; az összehasonlító kísérletekben (MS-koncentráció vagy vízhiány) a különböző feltételekhez tartozó magoncokat egyidejűleg sterilizálták, vetették, nevelték és aratták le. A szárazság keményagar-modelljében a magoncokat 0,5× MS táptalajon, kontroll körülmények között (100% víztartalom), illetve 50%-os vagy 20%-os víztartalmú 0,5× MS táptalajon (ez rendre 1× MS 1,8% agarral, illetve 2,5× MS 4,5% agarral) nevelték. Az agarlemezes vizsgálatokban a gyökerek általában az agar felszínén nőnek, így egyszerre két mikroenvironmet tapasztalnak (levegő és agar); ennek a heterogén kitettségnek az ERS-képződésre gyakorolt hatását úgy tesztelték, hogy a gyökereket teljesen az agarban növesztették homogén környezet biztosításához: a megszilárdult 1× MS táptalajt steril körülmények között félbevágták, a magokat a vágott agar felső szélére helyezték, és a lemezeket függőlegesen helyezték a növekedési kamrába, így a sziklevelek a felszínen fejlődtek ki, míg a gyökerek áthatoltak és az agarban nőttek.
A protoplasztizoláláshoz a gyökérvégeket 15 ml protoplasztáló oldatban (1,25% w/v celluláz, 0,3% w/v macerozim, 0,4 M D-mannit, 20 mM MES (pH 5,7), 20 mM KCl, 10 mM CaCl₂, 0,5% w/v BSA és 5 mM β-merkaptoetanol ultratiszta vízben) helyezték, és szobahőmérsékleten 1 órán át inkubálták forgó csövön. Az oldatot ezután 70 μm-es, majd 40 μm-es szűrőn (Falcon) szűrték át a protoplasztok és a nem disszociált szövet szétválasztására. A sejteket 5 percig 500g-n centrifugálták lengőkosaras centrifugában, az üledéket 15 ml protoplaszt-reszuszpendáló pufferben (0,4 M D-mannit, 20 mM MES (pH 5,7), 20 mM KCl, 10 mM CaCl₂ és 0,5% w/v BSA ultratiszta vízben) vették fel, majd ismét 500g-n 5 percig centrifugálták. A sejteket a reszuszpendáló pufferben vették fel és 35 μm-es Snap Cap sejtszűrőn (Falcon) szűrték át. Két *Arabidopsis* ökotípus együttes használatakor az egyes háttérből származó protoplasztokat egyenlő arányban keverték. A végső koncentrációt 900–1200 sejt/μl-re állították be, és a sejteket Chromium Controllerrel (10x Genomics) kódolták vonalkóddal. A könyvtárakat Single Cell Gene Expression kit (10x Genomics, Single Cell 3′ Library kit) reagenseivel, a gyártó utasításai szerint generálták, és Illumina NextSeq 500 vagy NovaSeq 6000 szekvenátoron szekvenálták a 10x Genomics ajánlásai szerint.
Az adatfeldolgozás során a leolvasásokat a 10x Genomics CellRanger pipeline-nal (v.7.1.0) illesztették a TAIR10 *Arabidopsis* genomhoz az `–expect-cells=10000` paraméterrel; két ökotípus keverékét tartalmazó minták esetén a leolvasásokat az *Arabidopsis* (TAIR10) genom olyan verziójához illesztették, amelyben az Arabidopsis 1001 Genomes projekt által azonosított, szekvenált genotípusokra jellemző SNP-pozíciókon ambiguitásos báziskódokat helyeztek el. Mivel a CellRanger újabb verziói lényegesen több sejtet azonosítanak a korábbiaknál – lehetővé téve az alacsony UMI-tartalmú gyökérsüveg-sejtek kimutatását, de több, feltehetően sérült protoplasztokból származó, alacsony minőségű sejtet is azonosítva –, a csoportosításon alapuló szűrési megközelítést dolgoztak ki: minden könyvtárra külön alkalmazva a CellRanger által „sejtnek” minősített vonalkódokat a háttérként osztályozott vonalkódokkal együtt klaszterezték, és a háttérrel klasztereződő sejteket háttérként újraosztályozták és elvetették. Ezzel a megközelítéssel a CellRanger által azonosított sejtek jellemzően 8–30%-át távolították el, a NextGem kémia esetében nagyobb arányban. A dubletteket a scDblFinderrel azonosították és eltávolították. Két ökotípus keverékénél SNP-alapú sejtgenotipizálást végeztek (sctools `countsnps`), és a két populáció szétválasztására sűrűségalapú klaszterezést (dbscan) alkalmaztak. Az ismétléseket (feltételenként legalább három, a vízhiány-kísérletekben két ismétlés) Seurat (v.5.0.0) anchor-alapú RPCA módszerrel integrálták batch-korrigált atlaszokká; a Col-0 referencia-atlaszhoz a legnagyobb adatkomplexitású RL650, RL970 és RL971 ismétléseket használták referenciaként. A protoplasztizolálás által érintett gének azonosításához négy-négy disszociált és nem disszociált gyökérvég-minta bulk RNS-szekvenciáját hasonlították össze (TruSeq stranded mRNA kit, Illumina HiSeq 1500; Trimmomatic, STAR, DESeq2; BH-korrigált P < 0,001 és |log₂ fold change| > 2); a kísérletet kétszer megismételve a mindkét kísérletben differenciálisan expresszálódó géneket tekintették protoplasztizolálás által érintett génkészletnek.
A teljes gyökér in situ HCR-hez a szerzők a Seurat FindAllMarkers függvényével generáltak jelölőket, és a próbák tervezésénél azt a feltételt szabták, hogy a gén szinte kizárólag a gazdagított klaszterben legyen kimutatható, és kódoló szekvenciájának nagy része ne mutasson homológiát más *Arabidopsis*-génekkel. A 6 d.a.g. gyűjtött gyökereket FAA-ban fixálták, etanolos és metanolos sorozattal dehidratálták, permeabilizálták, proteináz K-val emésztették, majd a Molecular Instruments harmadik generációs in situ HCR-eljárását követték – az amplifikációs puffer dextrán-szulfátját alacsony molekulatömegű változatra cserélve a gyökérszerkezet megőrzése érdekében –, Alexa 647- (és kétgénes kísérletekben Alexa 488-) kapcsolt HCR-amplifikátorokkal. A mintákat ClearSee-ben tisztították, kalcofluorral festették a sejtfalakat, és Nikon Ti-E/A1Si vagy A1RMP konfokális mikroszkóppal, ×60 vízimmerziós objektívvel képalkották; a képeket Fiji-ben dolgozták fel (stitching, fényerő/kontraszt-beállítás, ortogonális nézetek). A Col-0 atlasztól eltérő adathalmazokat a Col-0 atlasz referenciaként való használatával annotálták (FindTransferAnchors, TransferData), a sejtciklus-fázist a CellCycleScoring függvénnyel, S- és G2/M-fázis marker gének alapján becsülték meg, és a sejtciklus-hatást regresszálták. A pszeudotime-trajektóriák elemzéséhez a Col-0 atlaszt kilenc leszármazási vonalra bontották (epidermisz, gyökérsüveg, kéreg, endodermisz, PPP, XPP, prokambium, floém, xilém), és a PAGA-t (SCP csomag) alkalmazták, a kiinduló „gyökérsejtet” (t = 0) az epidermisz–gyökérsüveg határnál, illetve a legmagasabb merisztematikus pontszámú sejtként definiálva; a merisztematikus pontszámot az epidermisz–merisztéma klaszter marker génekészletének AddModuleScore-val történő alkalmazásával számolták. A PAGA-trajektóriákat Monocle 3-mal (v.1.3.7) is megerősítették, és a (skálázott) Monocle- és diffúziós pszeudotime-értékek egyezését leszármazási vonalanként Spearman-korrelációval értékelték.
Az RNS-sebesség elemzését a velociraptor (v.1.10.0, scVelo-t csomagoló) R-csomag dinamikus modelljével, vonalanként végezték, a spliced és unspliced counts mátrixokat velocyto loom-fájlokból generálva; mivel az *Arabidopsis* scRNA-seq adatokban az intronikus jel limitált, csak megfelelő spliced és unspliced lefedettségű géneket tartottak meg, és a protoplasztálásra érzékeny, mitokondriális és kloroplasztisz-géneket kizárták. Az ERS-asszociált gének expressziós szintű elemzésénél – annak tesztelésére, hogy az ERS-asszociált gének látszólagos hiánya az ERS⁻ sejtekben magyarázható-e csökkent transzkriptum-rögzítéssel – az ERS⁺-specifikus modulok (20. és 21. modul) és a mindkét ágban expresszálódó modulok (13. és 14. modul) génjeit hasonlították össze az XPP vonalban, lineáris modellt illesztve a mindkét ágban expresszálódó génekre, majd a reziduális ERS⁻ expressziót kétoldalú Wilcoxon rangösszeg-teszttel hasonlítva össze az átfedő expressziós intervallumban. Az UMI-downsampling során az ERS⁺ sejtek UMI-számait kvantilis-illesztéssel az ERS⁻ sejttípus-eloszláshoz igazították (DropletUtils `downsampleMatrix`), három független, különböző véletlen seeddel generált mátrixot használva, az ERS⁻ sejteket változatlanul hagyva. A koexpressziós génmodulokat hdWGCNA-val (v0.4.1) azonosították: a 12 923 génből álló génkészletet (legalább a sejtek 10%-ában expresszálódó, VariableFeatures-gel metszett gének, a protoplasztálás-érzékeny, mitokondriális és kloroplasztisz-gének kizárásával) metacell-eken (k = 20, max_shared = 5) keresztül, konszenzus-hálózatként (minModuleSize = 30, consensus = TRUE, deepSplit = 2) építették fel. A 20. és 21. modul génkészletein ShinyGO-val (v0.82) GO-dúsítási elemzést végeztek (GO Biological Process adatbázis, FDR < 0,01, 50 megjelenített útvonal, fold enrichment szerinti rangsorolás, hierarchikus klaszterfa-vizualizáció).
A transzkripciós faktor (TF) regulon-elemzéshez a feltételezett TF-célgéneket a DAP-seq adathalmazból („Motifs in peaks”, P ≤ 1 × 10⁻⁴ BED-fájl) következtették: a promótereket (500 bp upstream, 50 bp downstream a TSS-től, GenomicRanges) a kötési koordinátákkal metszették, és minden gént, amelynek promóterében a TF kötési motívuma megtalálható, feltételezett célgénnek tekintettek; a DAP-seq-ben nem vizsgált, de a cisBP2 szerint erősen hasonló DNS-kötő doménnel rendelkező TF-ek célgénjeit a vizsgált TF-ével azonosnak vették. A TF-cél predikciókat hdWGCNA-val (v0.4.1) dolgozták fel (SetMotifMatrix, SetMotifTargets, SetMotifs), a TF–gén hálózatot ConstructTFNetwork-kel (XGBoost regresszió) építették fel, majd a legerősebb TF–gén kapcsolatok megtartásával (top 10 TF regulátor génenként, reg_thresh = 0,01, strategy = „A”) a RegulonScores-szal sejtenkénti regulon-pontszámot számoltak, és a sejtidentitásonkénti skálázott átlagos regulon-pontszámot pheatmap-pel ábrázolták. Három korábban publikált *Arabidopsis* gyökér single-cell adathalmazt (ref. 7, 8, 16) használtak annak ellenőrzésére, hogy az ERS és a hozzá kapcsolódó ERS-specifikus gének más adathalmazokban is jelen vannak-e: a ref. 8 esetében a szerzők által biztosított feldolgozott Seurat-objektumot használták, a ref. 7 esetében a nyers fastq-fájlokat a Col-0 atlaszéval azonos előfeldolgozással újrafeldolgozták, a ref. 16 esetében a szerzők által biztosított count mátrixokat használták batch-integrációval; a sejteket a referencia-atlasz segítségével annotálták, és a MapQuery függvénnyel az atlasz UMAP-beágyazására vetítették, a koexpressziós modulokat pedig a ProjectModules (hdWGCNA) segítségével vetítették ki. A címkeátvitel stabilitásának vizsgálatához az integrált Col-0 atlaszt referenciaként használva 30, 40 vagy 50 főkomponens és 5, 10 vagy 20 k.anchor érték kombinációival kilenc paraméterbeállítást generáltak; csak a kiindulási beállításban (50 főkomponens, k.anchor = 5) ERS⁺-ként vagy ERS⁻-ként osztályozott sejteket tartották meg, a sejttípus- és ERS-stabilitást külön értékelték, a globális egyezést páronkénti ARI-összehasonlításokkal számszerűsítették, továbbá külső adathalmazonként kiszámították az ERS⁺ sejtek arányát, a kiindulási sejttípus-hozzárendelést megtartó sejtek arányát és az ERS-állapotváltás gyakoriságát.
Egy korábban publikált snATAC-seq adathalmaz (ref. 16; Cell Ranger ATAC v.1.2, TAIR10/Araport11) elemzéséhez a fragmentfájlokat snapatac2-be (v.2.6.4) importálták, és 500 bp-os bin-ekben párosított inzerciókat számoltak; sejtként a 3500-nál több és 50 000-nél kevesebb fragmenttel rendelkező, 2,5-nél magasabb TSS-dúsítási pontszámú vonalkódokat definiálták, a háttérben mintánként a 3× medián abszolút eltérés küszöbértékkel azonosított alacsony minőségű sejteket és kiugró értékeket eltávolították. A macs3-mal végzett peak-hívás után peak- és génaktivitás-mátrixokat számoltak a párosított inzerciók számlálási stratégiájával; az ATAC-adatok scRNA-seq adathalmazba való integrálásához a peak-mátrixokat a Signac csomagba importálták, az ATAC-dimenziókat látens szemantikus indexeléssel redukálták, az ATAC-nukleuszokat a referencia-atlasz segítségével annotálták (FindTransferAnchors, reduction = „cca”, dims = 1:30, majd TransferData, weight.reduction = „lsi”, dims = 2:30), és a TransferData-val „imputált” scRNA-seq mátrixot generáltak; ezzel az imputált mátrixszal az snATAC-seq és az scRNA-seq referencia-atlaszokat egyetlen objektummá vonták össze, ScaleData-val és RunPCA-val feldolgozták, és az első 30 főkomponenssel készítették el a két adathalmaz UMAP-ko-beágyazását. A koexpressziós modulok differenciális expressziós elemzéséhez az összehasonlítandó feltételekből Seurat-objektumot hoztak létre (ScaleData), a modulokat a ProjectModules-szal vetítették ki, a modulpontszámot ModuleExprScore-szal számolták, és a különbségeket a FindDMEs függvénnyel (test.use = „wilcox”) határozták meg, az eredményeket PlotDMEsLollipop-pal ábrázolva. A sejtösszetétel változásait minden esetben sccomp-pal (v.1.99.18) tesztelték; az ERS⁺ (és ennek megfelelően ERS⁻) arányok változásának értékelésekor az objektumot a fejlődési állapotot elért sejtekre szűkítették (kizárva a gyökérsüveget, a „korai” identitásokat és a nem szőrsejteket), majd az sccomp_estimate és sccomp_test függvényekkel futtatták a tesztet, az eredményeket sccomp_boxplot-tal, illetve a folytonos kovariánst tartalmazó vízhiány-kísérlet esetében plot-tal ábrázolták. A szőrsejtek számlálásához a magoncokat függőlegesen, teljes (1×) vagy fél (0,5×) MS-lemezeken nevelték; a 6 d.a.g. készített gyökérfotókon (n = 16 teljes MS, n = 23 fél MS, két-két külön lemezről) a csúcs körüli mintegy 2,5 mm-es szakaszt választották ki, és a gyökérszőröket a Fiji Cell Counter pluginjával manuálisan számolták; a két feltétel közötti szőrsűrűség-különbséget Wilcoxon rangösszeg-teszttel (wilcox.test) határozták meg.
Az ökotípus-specifikus differenciálisan expresszálódó gének (DEG) azonosításához új Seurat-objektumot hoztak létre a teljes MS-en nőtt Col-0 sejtekből (minden ismétlés, kivéve a három fél MS ismétlést), valamint a C24, Cvi-0, Ler és Ws-2 atlaszok sejtjeiből, az expressziós adatokat genotípus, sejtidentitás és batch szerint pszeudobulkolták (AggregateExpression), és minden lehetséges ökotípus-ismétlés párra FindMarkers-szel, DESeq2-vel végeztek differenciálexpressziós tesztet (korrigált P < 0,05 és |log₂ fold change| > 0,5). Ökotípus-specifikus DEG-nek az a gén számított, amely egy adott ökotípusban szisztematikusan differenciálisan expresszálódott a másik négyhez képest, de a maradék négy közötti egyetlen páronkénti összehasonlításban sem volt differenciálisan expresszálódó; az ökotípus-specifikus DEG-ek identitásonkénti, illetve modulonkénti arányát pheatmap-pel ábrázolták. A vízhiány-elemzésekben a transzkriptumbőség korrekciójához a 20. és 21. hdWGCNA-modul pontszámait AddModuleScore-val számolták, az elemzést a 100%-os és 20%-os vízfeltételből ERS⁺-ként vagy ERS⁻-ként osztályozott sejtekre korlátozták, a teljes UMI-számokat pszeudocount hozzáadása után log₁₀-transzformálták, és a modulpontszámokat lineáris kevert hatású modellekkel (lme4 v.1.1.36, lmerTest v.3.2.1) elemezték, a vízfeltételt fix hatásként, a log₁₀ UMI-számot négy szabadságfokú természetes spline-nal modellezve (splines v.4.3.1), a biológiai ismétlést véletlen metszetként kezelve; a vizualizációhoz a sejteket tíz egyenlő gyakoriságú binbe osztották a log₁₀ UMI-szám szerint, és binenként átlagos modulpontszámot ± SEM-et számoltak (a statisztikai következtetést a bineletlen, sejtszintű adatokon végezték). A vízfeltétel és az ERS-identitás közötti összefüggést binomiális általánosított lineáris kevert hatású modellekkel (glmer, lme4) vizsgálták, a biológiai ismétlést véletlen metszetként kezelve; a korrigálatlan modell csak a vízfeltételt tartalmazta, a korrigált modell a log₁₀ UMI-számot is fix kovariánsként tartalmazta, az esélyhányadosokat és 95%-os konfidenciaintervallumokat a broom.mixed (v.0.2.9.6) segítségével kapták meg.
A vízhiány-kísérletben a teljes gyökér HCR-jelek mennyiségi meghatározásához minden gyökeret egyidejűleg, azonos konfokális beállításokkal növesztettek, dolgoztak fel és képalkottak. Fiji-ben először a gyökér citoplazmatikus területét meghatározó maszkot készítettek: a kalcofluor-csatornából küszöbérték-alapú maszkot generáltak a teljes gyökérre (Threshold, Binary Close, Fill Holes), majd a sejtfalak meghatározására egy második küszöbérték-alapú maszkot készítettek, és a sejtfal-maszk teljes gyökér-maszkból való kivonásával (Math Subtract) csak a citoplazmatikus régiókat tartalmazó maszkot kaptak; ezt megszorozták a nyúlási zónától felfelé eső régiót kijelölő maszkkal, amely megfelel annak a területnek, ahol az ERS-expresszió a single-cell adatok szerint elkezdődik. Az így kapott citoplazmatikus maszkot megszorozták a HCR-jelet tartalmazó csatornával, hogy csak a nyúlási zónától felfelé eső sejtek jeleit tartsák meg; külön küszöbérték-alapú maszkot készítettek a HCR-jelcsatornából a meghatározott jelszint feletti területek azonosítására, és ennek a citoplazmatikus maszkkal való szorzása biztosította, hogy csak a nyúlási zónától felfelé eső sejtek belsejében lévő jelet vegyék figyelembe. Egyedi Fiji-makrókkal automatizálták a méréseket a z-stackeken keresztül: az egyik makró a maszk által lefedett felszínt mérte szeletenként (lehetővé téve a normalizáláshoz szükséges teljes citoplazmatikus terület és a pozitív jel területének kiszámítását), a másik a szeletenkénti összes pixelintenzitás összegét mérte, amelyet a citoplazmatikus jelképre alkalmaztak; a feltételek közötti jelkülönbségeket Wilcoxon rangösszeg-teszttel értékelték. Az egysejt-fluoreszcencia sejtszegmentálását és térfogati mennyiségi meghatározását 3D-ben, a sejtfal-festési csatorna segítségével végezték: az egyes sejteket manuálisan, a sejtlumenbe helyezett markerekkel vetették fel, és a pozíciókat érdeklődési területként tárolták; a markerpozíciókból bináris marker-képet generáltak; a sejtfal-csatornát a MorphoLibJ83 Morphological Filters (3D) Gradient szűrőjével dolgozták fel a sejthatárok kiemelésére; a feldolgozott sejtfal-képet és a bináris marker-képet marker-vezérelt watershed-szegmentáláshoz használták (MorphoLibJ). A szegmentálási kimeneteket manuálisan kurálták a sejtfal-festés folytonossági hiányai vagy lyukai okozta hibás szegmentálások korrigálására – a hibásan szegmentált sejtek eltávolításával vagy a túlszegmentált régiók összevonásával. A fluoreszcencia mennyiségi meghatározása előtt a jelcsatornákat háttérkorrigálták a képalkotási zaj és a diffúz háttérfluoreszcencia minimalizálására: a gyökérszöveten kívüli régióban mért pixelintenzitások 99. percentilis háttérértékét kivonták az összes pixelből a Fiji Subtract függvényével. A szűrt fluoreszcencia-képeket a kurált szegmentálási maszkokkal kombinálva a MorphoLibJ Intensity Measurements 2D/3D függvényével térfogati egysejt-átlagfluoreszcenciát számszerűsítettek, majd a mért értékeket az Assign Measure to Labels függvénnyel visszavetítették a szegmentált sejtekre, színkódolt egysejt-fluoreszcencia-ábrázolásokat generálva. A vízhiány-HCR-kísérletekben a szegmentálást az epidermális és kérgi sejtekre korlátozták; a fluoreszcencia mennyiségi meghatározását az eredeti, háttérkorrigálatlan képeken végezték, így a kontroll- és vízhiánymintákra azonos képfeldolgozást alkalmazva közvetlenül összehasonlíthatóvá váltak a fluoreszcencia-intenzitások a feltételek között; a szegmentált sejtenkénti átlagfluoreszcenciát a párhuzamosan feldolgozott megfelelő 100%-os vízkontroll-minta átlagos sejtenkénti fluoreszcenciájához normalizálták a HCR-jel intenzitásának batch-közi különbségeinek korrigálására, majd empirikus kumulatív eloszlásfüggvényeket generáltak a normalizált egysejt-fluoreszcencia-intenzitások eloszlásainak feltételek közötti összehasonlítására. A bimodális sejtpopulációk kimutatásához – annak tesztelésére, hogy a kölcsönösen kizáró marker-expresszió két elkülöníthető sejtpopulációt határoz-e meg – Gauss-féle keverékmodellt (Gaussian mixture modelling) alkalmaztak függetlenül a fluoreszcencia-mennyiségi és az scRNA-seq-expressziós adatokra az mclust84 (v.6.0.0) R-csomaggal, a fluoreszcencia-adatokból az AT3G01720 és AT5G56550 átlagos egysejt-fluoreszcenciáit kinyerve (háttérkorrekció és térfogati mennyiségi meghatározás után), és sejtenként az AT3G01720/(AT3G01720 + AT5G56550) markerarányt kiszámítva, a kapott eloszlásra Mclust-tal keverékmodellt illesztve, a sejteket a maximális posterior-valószínűség alapján a becsült populációkhoz rendelve, és az illesztett Gauss-komponenseket relatív arányaikkal együtt a megfigyelt arányeloszláson ábrázolva; az scRNA-seq-adatokból az AT3G01720 és AT5G56550 normalizált expressziós értékeit a referencia-atlasz szőrsejtjeiből nyerték ki, kizárták a mindkét markerre nulla együttes expressziót mutató sejteket, az AT3G01720 és AT5G56550 expressziós értékei közötti különbségként marker-pontszámot számítottak, és a pontszám-eloszlásra Mclust-tal keverékmodellt illesztve, az illesztett Gauss-eloszlásokat a megfigyelt
Ez a cikk a Neural News AI (V1) verziójával készült.
Forrás: https://www.nature.com/articles/s41586-026-11179-y.
A képet Mary Ann Rivera készítette, mely az Unsplash-on található.
