scATD:用于预测单细胞癌症耐药性和生物标志物识别的高通量和可解释的框架
Murong Zhou1,2, Zeyu Luo1, Yu-Hang Yin1,2
1College of Computer and Control Engineering, Northeast Forestry University, Harbin 150040, China.
Briefings in bioinformatics
|June 12, 2025
概括
这项研究引入了单细胞自适应转移和蒸模型 (scATD) 以快速预测药物敏感性. scATD可以在不需要再培训的情况下进行高吞吐量分析,从而提高精密瘤学的准确性和可解释性.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 转移学习增强了使用单细胞RNA测序数据的药物敏感性预测.
- 现有方法需要对新患者数据集进行广泛的微调,这阻碍了快速的临床应用.
研究的目的:
- 开发一种新的转移学习框架,scATD,用于高通量药物敏感性预测.
- 为了能够对新患者单细胞数据集进行快速,准确的预测,而无需对参数进行重新训练.
主要方法:
- 介绍了使用大型语言模型 (scFoundation,Geneformer) 的单细胞自适应转移和蒸模型 (scATD).
- 实现双向风格转移 (scATD-sf,scATD-gf) 和知识蒸 (scATD-sf-dist),以实现高效的预测.
- 采用严格的参考样本选择来进行特征归因,以提高可解释性.
主要成果:
- 与现有方法相比,scATD在各种数据集中展示了卓越的准确性,概括性和效率.
- 双向风格转移允许在没有重新训练模型的情况下对新患者进行预测.
- 知识蒸提高了性能,效率,并减少了资源需求.
结论:
- 在精密瘤学中,scATD为药物敏感性预测提供了高通量,准确和可解释的解决方案.
- 该框架解决了对患者特定单细胞数据快速分析的临床需求.
- scATD为基因表达和药物耐药性机制提供了有意义的见解.
