通过使用深度学习算法和单细胞分析,促进清细胞瘤特定药物发现.

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 清细胞癌 (ccRCC) 是最常见的癌亚型,其特点是复杂而异质的瘤微环境 (TME).
• 目前的治疗方法,如向疗法和免疫疗法,由于TME的复杂性,对ccRCC的疗效有限.
• 了解ccRCC TME对于开发有效的治疗策略至关重要.

研究的目的:

• 使用单细胞转录组测序 (scRNA-seq) 来描述ccRCC的TME.
• 为了确定调节ccRCC瘤细胞的关键转录因子 (TFs).
• 通过虚拟药物查和机器学习算法发现新的抗ccRCC化合物.

主要方法:

• 分析了6名ccRCC患者的scRNA-seq数据,以分析TME组件 (T细胞,TAM,EC,CAF).
• 通过差异类型和虚拟查识别瘤细胞特定的监管程序和关键TF,包括EPAS1/HIF-2α.
• 应用深度图形神经网络和机器学习方法来选抗ccRCC剂的生物活性化合物库.

主要成果:

• ccRCC TME的详细描述,揭示了特定的监管计划.
• 通过虚拟查识别三个关键的TF驱动瘤细胞特定程序和EPAS1/HIF-2α.
• 发现了五种潜在的抗ccRCC化合物,包括flufenamic酸,fludarabine,内源代谢物,免疫学/炎症化合物和DNA甲基转移酶抑制剂 (N4-甲基丁).

结论:

• 该研究提供了ccRCC TME在单细胞水平上的全面分析.
• 已经确定了关键的TF和特定的ccRCC相关化合物.
• 这些发现为ccRCC患者的临床治疗提供了有希望的方向.