相关实验视频
Updated: Jun 28, 2025
06:51
Techniques to Induce and Quantify Cellular Senescence
Published on: May 1, 2017
33.3K
单细胞衰老识别揭示了衰老异质性,轨迹和调节器
Wanyu Tao1, Zhengqing Yu1, Jing-Dong J Han2
1Peking-Tsinghua Center for Life Sciences, Academy for Advanced Interdisciplinary Studies, Center for Quantitative Biology (CQB), Peking University, Beijing, China.
Cell metabolism
|April 11, 2024
概括
我们开发了 SenCID,这是一种机器学习工具,用于识别细胞衰老亚型. SenCID准确地对衰老细胞进行分类,揭示了对了解衰老和疾病至关重要的独特身份.
科学领域:
- 老年学是指老年学的学科.
- 计算生物学 计算生物学
- 细胞生物学 细胞生物学
背景情况:
- 细胞衰老与衰老和疾病有关,但它的复杂性阻碍了研究.
- 衰老细胞的异质性对准确的识别和向治疗提出了挑战.
研究的目的:
- 开发和验证一个机器学习程序,SenCID,用于精确识别衰老细胞.
- 描述不同的衰老身份 (SID) 和它们的功能含义.
- 为了使在各种生理和病理条件下分析衰老轨迹.
主要方法:
- 机器学习模型 (SenCID) 训练了来自52个衰老研究的602个转录组数据集.
- 大量和单细胞转录组数据的分析.
- 对Perturb-seq数据的应用,以识别衰老调节器.
主要成果:
- SenCID准确地识别了各种细胞类型和数据集中的衰老细胞.
- 确定了六种主要的衰老身份 (SID),每个都有独特的特征.
- SenCID揭示了SID对老化治疗的不同反应.
- 在衰老,慢性疾病和COVID-19中重建了衰老轨迹.
- 使用单细胞 Perturb-seq 数据识别了衰老调节器.
结论:
- SenCID是一个强大的工具,用于精确的单细胞分析细胞衰老.
- 通过SIDs了解衰老异质性可以指导有针对性的治疗干预.
- SenCID促进了与衰老相关的病理和疾病机制的研究.
