在乳腺癌单细胞数据中识别可解释的集群和相关的签名:主题建模方法

科学领域:

• 计算生物学是一种计算生物学.
• 机器学习是机器学习.
• 基因组学就是基因组学.

背景情况:

• 主题建模是一种用于文本分析的机器学习技术,也适用于生物数据的聚类和解释.
• 现有的方法可以对生物数据进行集群,但可能缺乏可解释性或最佳的基因分区.

研究的目的:

• 开发一种新的主题建模方法,用于同时聚类单细胞和检测基因特征 (主题).
• 应用这种方法来分析乳腺癌的转录异质性,区分药物敏感和耐药的亚型.

主要方法:

• 开发了一个新的主题建模框架,用于多主题单细胞数据.
• 将该模型应用于患者衍生的异种移植模型的乳腺癌与获得的治疗耐药性.
• 综合信使RNAs (mRNAs) 和长非编码RNAs (lncRNAs) 用于增强细胞分类.

主要成果:

• 鉴定了编码蛋白质的基因和长非编码RNA (lncRNAs),这些基因定义了不同的细胞群.
• 成功区分了对药物敏感和耐药的乳腺癌亚型.
• 在分区和可解释性方面,在标准集群方法上表现出优越的性能.

结论:

• 提出的主题建模方法为单细胞数据分析提供了可解释和准确的方法.
• 包括lncRNAs在内的多个omics层的整合性分析提高了癌症研究中细胞分类的准确性.