scCancer2:在单一级分辨率下对瘤微环境的数据驱动深度注释.
Zeyu Chen1, Yuxin Miao1, Zhiyuan Tan2
1MOE Key Laboratory of Bioinformatics, BNRIST Bioinformatics Division, Institute for Precision Medicine & Department of Automation, Tsinghua University, Beijing 100084, China.
Bioinformatics (Oxford, England)
|January 20, 2024
概括
scCancer2可在瘤微环境中使用单细胞RNA测序 (scRNA-seq) 数据进行精确的细胞类型注释. 它集成了多个数据集,以绘制细胞亚型相似性的地图,并改善恶性细胞的识别.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 癌症研究 癌症研究
背景情况:
- 单细胞RNA测序 (scRNA-seq) 对于理解瘤微环境 (TME) 复杂性至关重要.
- 现有的scRNA-seq研究定义了多样化的细胞亚型,需要计算方法来跨数据集的标签转移.
- 在研究中细胞亚型定义的不一致性需要仔细评估亚型关系.
研究的目的:
- 开发一个强大的机器学习框架,用于在scRNA-seq数据中注释TME细胞.
- 在不同参考数据集中定义的细胞亚型之间的相似性进行定量映射.
- 通过整合批量和单细胞转录组数据来增强恶性细胞的识别.
主要方法:
- 使用15个scRNA-seq数据集 (594个样本) 开发了一个用于TME细胞注释的监督机器学习框架.
- 通过在所有数据集中测试训练有素的分类器,构建细胞亚型相似性地图.
- 综合TCGA批量基因表达和scRNA-seq数据 (10种癌症类型,175个样本,663,857个细胞) 用于泛癌恶性细胞分类器.
- 包含一个用于处理和分析空间转录组数据的模块.
主要成果:
- scCancer2包提供了多个scRNA-seq数据集中的TME细胞亚型的准确注释.
- 定量相似度图揭示了不同研究的细胞亚型之间的关系.
- 集成分类器在识别恶性细胞方面表现强,即使没有内部参考数据.
- scCancer2支持用于TME特征探索的空间转录组数据的分析.
结论:
- scCancer2为综合性瘤scRNA-seq数据分析提供了一个强大的,最新的解决方案.
- 该套件促进了跨研究细胞亚型的比较,并改善了恶性细胞检测.
- scCancer2增强了scRNA-seq和空间转录组学在TME研究中的实用性.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.8K
11:00Visualization, Quantification, and Mapping of Immune Cell Populations in the Tumor Microenvironment
Published on: March 25, 2020
17.1K
