完整的细胞质谱与机器学习相结合,揭示了由单基因沉默引起的微小变化

科学领域:

• 生物技术是生物技术.
• 分析化学 分析化学
• 基因组学就是基因组学.

背景情况:

• 完整细胞MALDI-TOF质谱法已用于微生物分析,并越来越多地用于真核细胞.
• 它为细胞区分和代谢状态分析提供了灵敏度和特异性,使其对细胞培养质量控制具有价值.
• 然而,它检测单个基因表达变化的改变的能力尚未被探索.

研究的目的:

• 评估完整细胞MALDI-TOF质谱与机器学习算法相结合的完整细胞在检测单基因沉默导致的细胞变化的有效性.
• 优化机器学习算法,用于分析基因表达改变的细胞群的光谱数据.

主要方法:

• 使用了人类卵巢癌细胞系 (SKOV3) 与TUSC3基因的沉默表达.
• 应用了五种机器学习算法 (k-最近邻居,决策树,随机森林,PLS-DA,ANN) 来分析质谱数据.
• 在纯细胞和混合细胞群体上优化算法性能 (正常与TUSC3沉默).

主要成果:

• 所有五种机器学习算法在区分细胞群体时都实现了超过90%的准确性.
• 算法成功识别了微妙的质谱变化,表明TUSC3基因表达变化.
• 证明了检测由单基因修饰引起的表型变化的能力.

结论:

• 完整细胞MALDI-TOF质谱,当与机器学习分类器配对时,可以可靠地检测由单基因改变引起的微小细胞变化.
• 这种方法为提高常规细胞和组织培养的质量控制提供了一个强大的工具.
• 光谱指纹提供了一种用于评估细胞表型和检测批量变异或异常细胞生长的新方法.