ROICellTrack:一个深度学习框架,用于将细胞成像模式集成到瘤组织的亚细胞空间转录形状分析中
Xiaofei Song1, Xiaoqing Yu1, Carlos M Moran-Segura2
1Department of Biostatistics and Bioinformatics, H. Lee Moffitt Cancer Center & Research Institute, Tampa, FL 33612, United States.
Bioinformatics (Oxford, England)
|April 8, 2025
概括
ROICellTrack集成成像与空间转录学,以揭示不同的癌症免疫细胞混合物. 这种深度学习框架增强了针对个性化治疗的瘤异质性的理解.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 空间转录基因 (ST) 技术对于研究癌症进展和治疗反应中的瘤微环境至关重要.
- 当前的ST研究往往未充分利用空间成像数据,限制了下游分析和解释.
研究的目的:
- 开发一种新的深度学习框架ROICellTrack,以加强细胞成像和空间转录组数据的整合.
- 通过利用形态学和转录学签名来改进空间奥米克数据的分析.
主要方法:
- 开发了ROICellTrack,这是一个基于深度学习的框架,用于将成像与ST分析进行整合.
- 从尿路癌样本中分析了56个感兴趣的区域 (ROI).
主要成果:
- ROICellTrack确定了具有特定转录和形态特征的独特的癌症免疫细胞混合物.
- 揭示了与瘤含量和免疫透相关的受体-连接体相互作用.
- 证明了整合成像和转录组学用于空间组学分析的价值.
结论:
- 整合成像与转录学显著提高了对瘤异质性的理解.
- ROICellTrack提供了一个强大的工具来分析空间奥米克数据,帮助开发个性化和向性的癌症疗法.


