scBaseCount: An AI agent-curated, standardized, auto-updated single-cell data repository.

چکیده اصلی

Single-cell RNA sequencing has transformed cell biology by enabling precise transcriptomic measurements of individual cells. The Sequence Read Archive (SRA) is the largest public repository of sequencing reads, yet much of it remains underutilized due to unstandardized metadata. Here, we introduce scBaseCount, a database that leverages an AI agent to automate discovery and metadata extraction and standardize data processing. Built by mining all 10x Genomics datasets, scBaseCount is the largest public repository of single-cell gene expression data, comprising over 502 million cells across 27 organisms and 75 tissues. It offers an unbiased view of the data landscape within the SRA and enables the training of more performant computational models through access to broader phenotypic diversity. Uniform processing enables measurement of both intronic and exonic reads and non-coding gene expression and improves alignment across experiments. Moreover, scBaseCount provides a blueprint for how AI can be leveraged to autonomously curate biological data repositories.

ترجمه فارسی چکیده

رشته‌کدگذاری رونویسی تک‌سلولی (scRNA-seq) با امکان اندازه‌گیری دقیق رونویسی ژنوم سلول‌های فردی، زیست‌شناسی سلولی را تغییر داده است. آرشیو خوانش‌های توالی (SRA) بزرگترین مخزن عمومی خوانش‌های توالی است، اما بخش زیادی از آن به دلیل متادیتای استانداردنشده کمتر به کار رفته است. در اینجا، scBaseCount را معرفی می‌کنیم که از یک عامل هوش مصنوعی برای خودکار کردن کشف و استخراج متادیتا و استانداردسازی پردازش داده استفاده می‌کند. scBaseCount که با استخراج داده‌های همه‌جانبه شرکت 10x Genomics ساخته شده، بزرگترین مخزن عمومی داده‌های بیان ژن تک‌سلولی است که شامل بیش از ۵۰۲ میلیون سلول در ۲۷ جاندار و ۷۵ بافت است. این پایگاه داده دیدی بی‌طرف از چشم‌انداز داده‌ها در SRA را فراهم می‌کند و از طریق دسترسی به تنوع پدیداری وسیع‌تر، امکان آموزش مدل‌های محاسباتی با عملکرد بهتر را فراهم می‌کند. پردازش یکنواخت امکان اندازه‌گیری خوانش‌های درونی و بیرونی و بیان ژن‌های غیرکدکننده را فراهم کرده و هم‌راستایی را در بین آزمایش‌ها بهبود می‌بخشد. علاوه بر این، scBaseCount نقشه‌ای از نحوه استفاده از هوش مصنوعی برای خودکارسازی گردآوری مخازن داده زیستی ارائه می‌دهد.

متن کامل اصلی