通过机器学习检测循环中的瘤细胞,使用Smart-Seq2测序
Krzysztof Pastuszak1,2,3, Michał Sieczczyński4, Marta Dzięgielewska5
1Faculty of Electronics, Telecommunication and Informatics, Gdańsk University of Technology, Gabriela Narutowicza 11/12, 80-233, Gdańsk, Poland. krzpastu@pg.edu.pl.
Scientific reports
|May 14, 2024
概括
机器学习模型使用单细胞RNA测序准确地识别血液中的循环瘤细胞 (CTC). 这一突破有助于癌症转移的检测和预后预测.
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:
- 循环瘤细胞 (CTC) 是癌症转移和患者预后的关键指标.
- 单细胞RNA测序 (scRNA-seq) 为精确的细胞分类提供了高分辨率的遗传数据.
- 人工智能 (AI) 算法可以有效地分析复杂的scRNA-seq数据.
研究的目的:
- 开发和评估机器学习分类器,以区分CTC和外围血液单核细胞 (PBMC).
- 为了利用scRNA-seq数据进行准确的CTC检测和计数.
- 评估AI驱动的CTC分析在癌症诊断中的潜力.
主要方法:
- 开发了四种基于树的机器学习模型.
- 在来自乳腺癌患者和PBMC的Smart-Seq2 scRNA-seq数据上的培训和测试模型.
- 通过使用转移性乳腺癌患者手动注释的CTC表达特征的公共数据集进行验证.
主要成果:
- 最好的模型在区分CTC和PBMC时达到约95%的平衡精度.
- 在138个CTC和CTC-PBMC集群中成功识别了133个.
- 在基于基因表达的基础上对单个细胞进行分类的高可靠性.
结论:
- 利用人工智能对scRNA-seq数据进行分析,为CTC检测提供了一个高度准确的方法.
- 这种使用液体活检的非侵入性方法在癌症预后和监测方面具有重大潜力.
- 开发的分类器在临床瘤学中显示出有前途的应用价值.
