ReCIDE:通过整合基于单一参考的解卷方法,对细胞类型比例进行可靠的估计
Minghan Li1, Yuqing Su1, Yanbo Gao2
1State Key Laboratory of Genetic Engineering, Department of Computational Biology, School of Life Sciences, Fudan University, 2005 Songhu Road, Yangpu District, Shanghai 200438, China.
Briefings in bioinformatics
|August 23, 2024
概括
我们开发了ReCIDE,这是一个新的计算框架,用于从大量组织数据中准确估计细胞类型比例. 这种方法改善了罕见细胞类型的检测,并有助于开发诸如三阴性乳腺癌等疾病的预后模型.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 癌症研究 癌症研究
背景情况:
- 准确估计大量组织中的细胞类型比例对于理解复杂的生物系统和疾病机制至关重要.
- 现有的解卷方法面临着挑战,特别是准确量化罕见细胞群体.
研究的目的:
- 引入ReCIDE (通过整合基于单一参考的DEconvolutions对细胞类型比例的强有力的估计),这是一个新的框架,以提高细胞类型比例估计的准确性.
- 通过使用基准和现实世界数据集对现有方法进行ReCIDE性能评估.
- 将ReCIDE应用于三阴性乳腺癌 (TNBC) 数据,以确定预后生物标志物.
主要方法:
- 开发ReCIDE框架,整合基于单一参考的解卷方法.
- 对比ReCIDE与各种数据集的既定解卷工具进行比较.
- 使用ReCIDE.com对公共三阴性乳腺癌 (TNBC) 大量RNA测序数据的探索性分析.
主要成果:
- 与现有方法相比,ReCIDE表现出优越的性能,特别是在估计罕见细胞类型的比例方面.
- 对TNBC数据的分析揭示了T细胞和周血管类细胞比例和患者预后之间的显著相关性.
- 基于这些发现,为TNBC患者开发了一种新的预后评估模型.
结论:
- ReCIDE为细胞类型解卷提供了一个强大而准确的框架,推进了计算生物学领域.
- 在TNBC中发现的细胞类型比例是有希望的预后指标,为改善患者分层和治疗策略铺平了道路.
- 这项工作强调了先进的解卷技术在发现关键的生物学见解和开发临床应用方面的实用性.
更多相关视频
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
6.9K
07:05Area-based Image Analysis Algorithm for Quantification of Macrophage-fibroblast Cocultures
Published on: February 15, 2022
2.5K
