细胞PhenoX:一种可解释的细胞特异机器学习方法,使用单细胞多组学来预测临床表型
Jade Young1, Jun Inamo1,2, Zachary Caterer3
1Department of Biomedical Informatics, University of Colorado School of Medicine, Aurora, CO, USA.
bioRxiv : the preprint server for biology
|February 20, 2025
概括
可以解释的人工智能工具CellPhenoX将细胞表型与疾病结果联系起来. 它识别了与临床条件相关的细胞群,有助于疾病研究和临床转化.
科学领域:
- 计算生物学是一种计算生物学.
- 机器学习在医疗保健中的应用
- 单细胞基因组学 单细胞基因组学
背景情况:
- 单细胞技术揭示了疾病中的细胞异质性.
- 将细胞表型与临床结果联系起来对于大型数据集来说具有挑战性.
研究的目的:
- 介绍CellPhenoX,一种可解释的机器学习方法.
- 确定影响临床结果的细胞特异性表型.
- 产生可解释的,细胞特异性得分,以获得临床相关性.
主要方法:
- 集成分类模型和可解释的AI.
- 细胞特异性得分的统计框架.
- 适用于模拟,二进制和多类单细胞研究.
主要成果:
- CellPhenoX成功地确定了与临床表型相关的细胞群.
- 在COVID-19中检测到了与严重程度相关的激活单细胞表型.
- 在性结肠炎中发现了与炎症相关的纤维细胞梯度.
结论:
- 在复杂的单细胞数据中,CellPhenoX有效地检测出临床相关的表型变化.
- 有潜力将单细胞发现转化为临床影响.
- 适用于具有多个变异源的单细胞数据.
更多相关视频
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
1.4K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.1K
