在单细胞空间解析的转录组学数据中识别高风险细胞,使用深度转移学习

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 病理学 病理学 病理学

背景情况:

• 空间分辨的转录学能够检查组织样本中的高风险细胞和区域,以了解疾病.
• 目前的方法很难将单个细胞与疾病属性联系起来,可能缺少疾病特异性的细胞子集.
• 当与疾病相关的细胞与与疾病无关的细胞聚集时,这种限制尤其具有问题.

研究的目的:

• 介绍DEGAS (单细胞诊断证据测量仪),这是一种深度转移学习算法,用于识别单细胞RNA测序数据中的高风险组件.
• 为了证明DEGAS适应单细胞空间解析的转录组学平台的适应性,如10X Genomics Xenium和纳米链CosMx.
• 将空间位置信息集成到组织幻灯片中,以精确定位与疾病相关的位置.

主要方法:

• DEGAS利用基因表达数据和域适应的潜在表示来将疾病属性从患者转移到单个细胞中.
• 该算法在多个平台上进行了评估,包括10X Genomics Xenium和Nanostring CosMx.
• DEGAS应用于新的T2D Xenium和公共黑色素瘤Xenium数据集,以及纳米链CosMx FFPE样本.

主要成果:

• 德加斯成功识别了高风险细胞和区域,并通过已知的标记器验证了这一点.
• 对T2D和黑色素瘤数据集的应用揭示了与关键通路相关的高风险细胞和拓.
• 高风险区域主要富含瘤组织,揭示了与侵袭性疾病标志物和细胞类型多样性相关的异质性.

结论:

• 在复杂的组织样本中,DEGAS有效地识别高风险细胞和空间区域.
• 该工具跨平台的适应性提高了其在各种研究环境中的实用性.
• DEGAS为疾病异质性和细胞对疾病状态的贡献提供了新的见解.