神经网络辅助的人性化COVID-19仓鼠转录组数据揭示了人类疾病中与严重程度相匹配的状态

科学领域:

• 免疫学 免疫学 免疫学
• 进行比较的基因组学.
• 计算生物学是一种计算生物学.

背景情况:

• 将动物模型的发现转化为人类疾病,对于理解疾病机制和开发疗法至关重要.
• COVID-19大流行强调了反映疾病严重程度依赖免疫反应的模型的需要.

研究的目的:

• 开发和应用结构化单细胞转录组学 (scRNAseq) 方法,用于比较人类和仓鼠COVID-19的免疫反应模型.
• 为了确定物种和疾病严重程度之间共享的细胞和分子通路.

主要方法:

• 将scRNAseq应用于来自人类和两只患有中度或重度COVID-19的仓鼠模型 (叙利亚和罗博罗夫斯基) 的血白细胞.
• 利用基于神经网络的分析 (变异自编码器) 来量化跨物种和严重程度的转录学相似性.
• 进行了全转录组差异表达分析,以确定关键的转录变化.

主要成果:

• 大多数细胞状态是人类和仓鼠模型共享的.
• 罗博罗夫斯基仓鼠 (严重的COVID-19) 与严重的人类COVID-19中性粒细胞的相似性最高; 叙利亚仓鼠 (中度的COVID-19) 与中度的人类COVID-19经典单细胞相匹配.
• 单细胞和中性粒细胞在物种中表现出最保守的COVID-19反应,与干扰素反应和病毒复制抑制相关的途径.

结论:

• 仓鼠模型有效地回顾了人类COVID-19免疫反应的关键方面,特别是在单细胞和中性粒细胞中.
• 开发的scRNAseq工作流和神经网络分析可用于识别其他疾病的跨物种保存病理机制.
• 这种方法提高了适合转化研究的动物模型的选择.