通过LP_SGL识别表型相关的子群.
Juntao Li1, Hongmei Zhang1, Bingyu Mu2
1College of Mathematics and Information Science, Henan Normal University, 46 Jianshe East Road, 453007, Xinxiang, China.
Briefings in bioinformatics
|November 26, 2023
概括
这项研究引入了LP_SGL,一种使用单细胞RNA测序 (scRNA-seq) 来识别疾病相关细胞亚群的细胞组结构的新方法. LP_SGL 改进了用于预测癌症和治疗结果的关键细胞类型的识别.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 免疫学 免疫学 免疫学
背景情况:
- 单细胞RNA测序 (scRNA-seq) 对于理解疾病中的细胞异质性至关重要.
- 在识别细胞亚群时,现有的工具往往忽略了细胞间相互作用和组结构.
- 识别不同的细胞亚群对于疾病诊断和治疗反应预测至关重要.
研究的目的:
- 开发一种新的计算方法,LP_SGL,将细胞组结构集成到子群体识别中.
- 通过结合scRNA-seq,批量表达和批量表型数据来提高识别表型相关亚群的准确性.
- 验证已识别的亚种群及其相关信号基因在预测癌症,免疫疗法反应和生存方面的临床相关性.
主要方法:
- 采用莱登算法从scRNA-seq数据中识别细胞组,增强模型的稳定性.
- 综合scRNA-seq数据与批量表达和表型数据,使用拟议的LP_SGL方法.
- 在肺腺癌,黑色素瘤和肝癌数据集上与现有方法 (Scissor, scAB) 进行LP_SGL性能比较.
主要成果:
- 与剪刀和scAB相比,LP_SGL发现了较高的癌细胞,T细胞和与瘤相关的细胞百分比.
- 在肺腺癌诊断,黑色素瘤药物反应和肝癌生存预测中,LP_SGL的表现卓越.
- 生物分析显示,来自已识别的细胞子集的信号基因可以在多个数据集中预测癌症,免疫治疗反应和患者存活率.
结论:
- LP_SGL有效地结合了细胞组结构,以改善生物和临床相关细胞亚群的识别.
- 该方法增强了scRNA-seq数据的疾病诊断,治疗反应和患者生存的预测能力.
- 已识别的细胞子集中的信号基因代表了癌症和免疫治疗结果的有希望的生物标志物.


