识别感染了scVDN的SARS-CoV-2感染细胞
Huan Hu1,2,3, Zhen Feng4, Xinghao Steven Shuai5
1Department of Physics, and Fujian Provincial Key Laboratory for Soft Functional Materials Research, Xiamen University, Xiamen, China.
Frontiers in microbiology
|July 26, 2023
概括
一种新的深度学习模型,即单细胞病毒检测网络 (scVDN),使用单细胞RNA测序数据准确识别SARS-CoV-2感染细胞. 这一突破有助于理解病毒感染和开发治疗方法.
科学领域:
- 病毒学 病毒学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 对于研究病毒研究中的细胞多样性至关重要.
- 目前很难在单细胞水平上识别SARS-CoV-2感染细胞,这阻碍了病毒病原和治疗开发的研究.
研究的目的:
- 开发一个深度学习框架,用于预测单细胞感染状态.
- 为了能够精确识别感染病毒的细胞,以改善诊断和治疗.
主要方法:
- 开发了单细胞病毒检测网络 (scVDN),这是一个深度学习模型.
- 在scRNA-seq数据上训练scVDN,这些数据来自多个带有不同细胞类型的鼻样本.
- 为现实世界的实验数据建立了一个模型评估框架.
主要成果:
- 与四个最先进的机器学习模型相比,scVDN表现出更高的性能.
- 在四种细胞类型中实现了完美的曲线下面面积 (AUC) 评分1分,即使使用不平衡的数据集.
- 成功识别了高精度的SARS-CoV-2感染细胞.
结论:
- scVDN为推进病毒研究和公共卫生提供了强大的工具.
- 该框架有助于在单细胞水平上识别受感染的细胞,这对于诊断和治疗至关重要.
- scVDN模型和数据集是公开可用的,以便在病毒研究中得到更广泛的应用.
更多相关视频
06:02Arbovirus Infections As Screening Tools for the Identification of Viral Immunomodulators and Host Antiviral Factors
Published on: September 13, 2018
6.9K
06:39High-throughput Confocal Imaging of Quantum Dot-Conjugated SARS-CoV-2 Spike Trimers to Track Binding and Endocytosis in HEK293T Cells
Published on: April 21, 2022
3.1K