Video Experimental Relacionado
Updated: Sep 10, 2025
Leprdb Mouse Model of Type 2 Diabetes: Pancreatic Islet Isolation and Live-cell 2-Photon Imaging Of Intact Islets
Published on: May 11, 2015
scRiskCell: Un marco de una sola célula para cuantificar las células de riesgo de islotes y su dinámica adaptativa en
Xueqin Xie1, Changchun Wu1, Fuying Dao2
1Department of Clinical Laboratory, Sichuan Clinical Research Center for Cancer, Sichuan Cancer Hospital & Institute, Sichuan Cancer Center, School of Life Science and Technology University of Electronic Science and Technology of China Chengdu China.
scRiskCell identifica las islotes alteradas por la enfermedad utilizando perfiles de expresión. Este marco computacional revela patrones dinámicos de agregación celular para la predicción y el monitoreo tempranos de enfermedades.
Área de la Ciencia:
- Biología computacional
- La genómica
- Patología de la enfermedad
Sus antecedentes:
- La comprensión de la disfunción de las células de los islotes es crucial para la investigación de enfermedades.
- Los métodos existentes carecen de granularidad para identificar células específicas alteradas.
- Los conjuntos de datos de expresión a gran escala ofrecen potencial para nuevas ideas.
Objetivo del estudio:
- Desarrollar un marco computacional interpretable, scRiskCell, para la identificación de las células islotes de riesgo de enfermedad.
- Analizar las relaciones intrínsecas entre los estados de enfermedad del donante y los perfiles de expresión de las células de los islotes.
- Para aclarar los patrones de agregación dinámica de las células de riesgo durante la progresión de la enfermedad.
Principales métodos:
- Aprovechamos casi 500.000 perfiles de expresión de islotes de 106 donantes.
- Desarrolló un índice de estado pseudo-celular basado en estados de enfermedad y datos de expresión.
- Se analizaron los patrones de agregación dinámica de las células de riesgo identificadas.
Principales resultados:
- scRiskCell ha asignado con éxito índices de estado de pseudo-célula a las células individuales.
- Células de riesgo específicas identificadas significativamente alteradas por los estados de enfermedad.
- Reveló patrones dinámicos de agregación de células de riesgo que se correlacionan con la progresión de la enfermedad.
Conclusiones:
- scRiskCell proporciona un método novedoso e interpretable para identificar las células islotes de riesgo de enfermedad.
- El marco ofrece información mecanicista sobre la progresión de la enfermedad a través de la dinámica de agregación celular.
- Las aplicaciones potenciales incluyen la predicción temprana de la enfermedad y el monitoreo clínico dinámico.
