从单细胞转录组中计算出超过2500个表面蛋白质的丰富性,并与文本无关的零射击深层组合进行了相关分析

科学领域:

• 单细胞基因组学 单细胞基因组学
• 计算生物学是一种计算生物学.
• 发现生物标志物的发现.

背景情况:

• 细胞表面蛋白质是关键的药物标和细胞身份标记物.
• CITE-seq可以同时测量蛋白质和RNA的表达.
• 从转录组中预测表面蛋白质的现有模型的规模和概括性有限.

研究的目的:

• 从单细胞RNA测序数据开发一种新型的计算模型,用于从单细胞RNA测序数据中准确大规模预测细胞表面蛋白质的丰富性.
• 创建一个文本无关的模型,可以在不同的生物环境中进行概括.
• 提高单细胞转录基因数据对下游生物分析的有用性.

主要方法:

• 开发SPIDER (使用单细胞RNA-seq的深层组合进行表面蛋白质预测),这是一个无背景的零射击深层组合模型.
• 在现有的多式联络数据集上训练机器学习模型.
• 与最先进的方法对比SPIDER的比较.

主要成果:

• 蜘蛛可以从转录组中大规模预测>2500个细胞表面蛋白质.
• 与现有方法相比,该模型展示了优越的性能和概括能力.
• 预测的表面蛋白质丰度有助于在细胞类型注释和生物标记物识别中的应用.

结论:

• 蜘蛛提供了一个强大的和可扩展的解决方案,用于预测单细胞RNA-seq数据的细胞表面蛋白质表达.
• 该模型的文本无关性性质使其在包括癌症在内的各种研究领域广泛适用.
• 蜘蛛显著推进了细胞表面蛋白质及其在生物过程和疾病中的作用的分析.