15 herramientas/documentos para el análisis de expresión diferencial de RNAseq de células individuales de múltiples muestras y múltiples grupos

1/ [An Empirical Bayes Method for Differential Expression Analysis of Single Cells with Deep Generative Models](https://www.biorxiv.org/content/10.1101/2022.05.27.493625v1) scVI-DE

2/ [muscat](http://www.bioconductor.org/packages/release/bioc/html/muscat.html)

3/ [Confronting false discoveries in single-cell differential expression](https://www.nature.com/articles/s41467-021-25960-2) “Estas observaciones sugieren que, en la práctica, los enfoques pseudobulk proporcionan una excelente compensación entre velocidad y precisión para el análisis DE de una sola celda”. Uno debe considerar las réplicas biológicas, el pseudobulk funciona bien.

4/ [Modelling group heteroscedasticity in single-cellRNA-seq pseudo-bulk data](https://www.biorxiv.org/content/10.1101/2022.09.12.507511v1)

5/ [BSDE: barycenter single-cell differential expression for case–control studies](https://academic.oup.com/bioinformatics/article/38/10/2765/6554192?login=false)

6/ [distinct](http://www.bioconductor.org/packages/release/bioc/html/distinct.html) Ambos son del grupo Mark Robinson.

7/ [nebula](https://github.com/lhe17/nebula) https://www.biorxiv.org/content/biorxiv/early/2020/09/25/2020.09.24.311662.full.pdf

8/ [Fast identification of differential distributions in single-cell RNA-sequencing data with waddR](https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab226/6207964) https://github.com/goncalves-lab/waddR

9/ [CoCoA-diff: counterfactual inference for single-cell gene expression analysis](https://genomebiology.biomedcentral.com/articles/10.1186/s13059-021-02438-4)

10/ [Bias, robustness and scalability in single-cell differential expression analysis](https://www.nature.com/articles/nmeth.4612) Del grupo Mark Robinson.

11/ [Comparative analysis of differential gene expression analysis tools for single-cell RNA sequencing data](https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-019-2599-6) “Observamos que los métodos actuales diseñados para datos de scRNAseq no tienden a mostrar un mejor rendimiento en comparación con los métodos diseñados para datos de RNAseq a granel”.

12/ [Tree-based Correlation Screen and Visualization for Exploring Phenotype-Cell Type Association in Multiple Sample Single-Cell RNA-Sequencing Experiments](https://www.biorxiv.org/content/10.1101/2021.10.27.466024v1) TreeCorTreat es un paquete R de código abierto que aborda este problema mediante el uso de una pantalla de correlación basada en árboles para analizar y visualizar la asociación entre el fenotipo y las características transcriptómicas. y tipos de células en múltiples niveles de resolución de tipos de células.

13/ [Quantifying the effect of experimental perturbations in single-cell RNA-sequencing data using graph signal processing](https://www.biorxiv.org/content/10.1101/532846v3) lea este hilo https://twitter.com/krishnaswamylab/status/1328876444810960896?s=27

14/ [Causal identification of single-cell experimental perturbation effects with CINEMA-OT](https://www.biorxiv.org/content/10.1101/2022.07.31.502173v1)

github https://github.com/vandijklab/CINEMA-OT

15/ [IDEAS: individual level differential expression analysis for single-cell RNA-seq data](https://genomebiology.biomedcentral.com/articles/10.1186/s13059-022-02605-1)