SCMO: un modelo de aprendizaje profundo que integra el ecosistema TME de resolución de una sola célula y multi-omics...

Área de la Ciencia:

• Oncología Oncología.
• Biología computacional Biología computacional.
• La genómica es la genómica.

Sus antecedentes:

• El cáncer colorrectal (CRC) plantea un desafío significativo de mortalidad global, lo que requiere una mejor predicción de la supervivencia para la toma de decisiones clínicas.
• Los enfoques multi-ómicos actuales a nivel de tejido carecen de la resolución para abordar la heterogeneidad tumoral, a diferencia de la secuenciación de ARN de una sola célula (scRNA-seq).
• scRNA-seq ofrece una resolución celular del microambiente tumoral (TME), crucial para las evaluaciones de pronóstico personalizado.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo que integre datos de TME de una sola célula y multi-ómicos para una predicción precisa de la supervivencia de la CCR.
• Identificar nuevos objetivos terapéuticos y biomarcadores dentro del panorama TME y multi-omics del CRC.
• Para mejorar la interpretabilidad de los modelos de pronóstico en oncología.

Principales métodos:

• Construcción de un atlas de EMT específico del CRC utilizando 213 muestras de secuencia de ARNccr (339.060 células).
• Deconvolución de los datos masivos de secuencias de ARN de TCGA-CRC utilizando EcoTyper para reconstruir las características de TME.
• Integración de datos de TME y multi-omics a través de una red neuronal de auto-normalización para crear el modelo SCMO para la predicción de supervivencia.

Principales resultados:

• Identificación de 13 características TME relacionadas con la supervivencia, incluidos los estados celulares y un ecosistema multicelular.
• El modelo SCMO logró un índice de concordancia de 0,762, superando a los métodos existentes en la predicción de la supervivencia.
• SCMO demostró sólidas capacidades de predicción a largo plazo (AUCs hasta 0,869) e identificó a TRAP1 como un posible objetivo de fármaco, con la saikosaponina A validada como inhibidor.
• Desarrollo de SCMO-Lite para una estratificación efectiva del riesgo utilizando características multi-omics clave.

Conclusiones:

• El modelo SCMO ofrece un enfoque potente e interpretable para la predicción de la supervivencia de la oncología mediante la integración de datos celulares y moleculares.
• Este estudio proporciona nuevos conocimientos sobre la complejidad de la EMT CRC e identifica objetivos terapéuticos accionables.
• SCMO avanza en la medicina personalizada al permitir evaluaciones pronósticas más precisas.