深度学习和转移学习从单细胞成像数据中识别乳腺癌生存亚型

科学领域:

• 计算生物学是一种计算生物学.
• 病理学 病理学 病理学
• 生物统计学 生物统计学

背景情况:

• 单细胞多重成像为疾病亚型和预后提供了洞察力.
• 对于单细胞分辨率的细胞-细胞相互作用的定量模型是必要的,以预测人口规模的生存率.

研究的目的:

• 开发和验证一种定量模型,使用单细胞分辨率和细胞-细胞相互作用特征来预测患者的存活率.
• 为了确定乳腺癌中的新型患者生存亚型和非典型亚群.

主要方法:

• 通过邻里计算和细胞表型,量化了数百个单细胞分辨率的细胞-细胞相互作用特征.
• 将特征应用于基于神经网络的Cox-nnet生存模型,并使用非负矩阵因子分解 (NMF) 进行亚型识别.
• 使用标签转移与UNION-COM方法验证已识别的子群.

主要成果:

• 考克斯-内特模型实现了高预测准确度的患者生存 (一致性指数>0.8).
• 根据表皮细胞,免疫细胞和纤维细胞相互作用,确定了七种不同的生存亚型.
• 在三阴性乳腺癌 (TNBC) 和光线性A乳腺癌中发现了异型亚群,预后不同,在外部数据集中得到验证.

结论:

• 这项工作提出了一种新的方法,用于整合单细胞水平数据,以预测人口水平的生存率.
• 这些发现使得癌症研究中的患者分层和预后评估更加精确.