基于转换器的克隆选择和表达动力学的建模揭示了乳腺癌的抵抗机制
Nathan D Maulding1,2, Jun Zou3, Wei Zhou3
1gRED Computational Sciences, Genentech Inc, South San Francisco, CA, USA.
NPJ systems biology and applications
|January 10, 2025
概括
这项研究介绍了TraCSED,这是一种深度学习模型,用于了解癌细胞异质性和治疗耐药性. TraCSED揭示了与克隆选择相关的动态基因程序,有助于开发向癌症治疗方法.
科学领域:
- 癌症生物学 癌症生物学
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
背景情况:
- 癌细胞中的转录异质性会影响治疗反应和耐药性.
- 在体外的克隆条码方法可以捕捉到这种异质性.
- 了解动态变化对于有效的治疗策略至关重要.
研究的目的:
- 引入TraCSED,一种用于建模克隆选择和表达动态的新型深度学习方法.
- 识别随着时间的推移与克隆选择相关的可解释的基因程序.
- 分析以向疗法治疗的癌细胞中的动态抵抗路径.
主要方法:
- 使用基于变压器的深度学习模型 (TraCSED).
- 集成的单细胞基因表达数据与条形码克隆健身数据.
- 将模型应用于用giredestrant和palbociclib治疗的体外癌细胞模型.
- 采用部分最小平方回归来识别阻力标记.
主要成果:
- 在药物治疗中,TraCSED确定了与克隆选择相关的动态基因程序.
- 暴露的雌激素受体 (ER) 活性与palbociclib治疗下的积极选择有关.
- 发现SNHG25和SNCG基因表达是结合疗法的先天性耐药性的关键标志物,传统方法错过了它们.
结论:
- 通过使用scRNA-seq数据,TraCSED有效地以时间依赖的方式将分子特征与表型联系起来.
- 该模型提供了有关动态适应反应和癌症内在抵抗机制的见解.
- 这种方法有助于理解和潜在地针对癌症治疗耐药性.
更多相关视频
06:29Modeling Breast Cancer via an Intraductal Injection of Cre-expressing Adenovirus into the Mouse Mammary Gland
Published on: June 7, 2019
12.7K
08:59Looking for Driver Pathways of Acquired Resistance to Targeted Therapy: Drug Resistant Subclone Generation and Sensitivity Restoring by Gene Knock-down
Published on: December 11, 2017
7.2K
