在单细胞转录组学中推断疾病进展阶段,使用弱监督的深度学习方法

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 生物医学数据科学 生物医学数据科学

背景情况:

• 患者组织的单细胞测序对于理解人类疾病机制至关重要.
• 患者样本中的细胞异质性和不同的病理阶段使差异基因表达分析复杂化.

研究的目的:

• 开发一种新的深度学习方法,scIDST (单细胞疾病阶段推断),以解决患者衍生组织中的细胞异质性.
• 通过推断单个细胞疾病进展水平,使与疾病相关的分子特征能够更准确地识别.

主要方法:

• 采用弱监督的深度学习框架来推断单个细胞的疾病进展水平.
• 该scIDST模型是通过患者衍生的组织数据进行训练和验证的.

主要成果:

• scIDST成功推断了疾病进展水平,使得在单个细胞内的疾病相关基因中检测出差异性基因表达.
• 这些疾病特异性模式无法通过患者和健康捐赠者之间的传统比较分析来确定.
• 预训练的scIDST模型在多个独立数据集中显示出适用性,有助于识别与疾病风险和并发症相关的细胞.

结论:

• scIDST提供了一个强大的计算策略,用于分析来自异质患者组织的单细胞测序数据.
• 这种方法增强了与疾病相关的真实分子特征的识别,并促进了在单细胞水平上更深入地了解疾病机制.