人工智能方法用于从单细胞转录组数据的瘤表型分层
Namrata Bhattacharya1,2,3, Anja Rockstroh1,3, Sanket Suhas Deshpande4
1Australian Prostate Cancer Research Centre-Queensland, Faculty of Health, School of Biomedical Sciences, Centre for Genomics and Personalised Health, Queensland University of Technology, Brisbane, Australia.
eLife
|June 13, 2025
概括
一个新的计算框架SCellBOW分析单细胞RNA测序数据,以识别攻击性瘤细胞亚群. 这种方法有助于理解瘤异质性,并开发有针对性的癌症疗法.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 癌症研究 癌症研究
背景情况:
- 单细胞RNA测序 (scRNA-seq) 揭示了瘤异质性,但缺乏对细胞亚群的临床风险评估.
- 瘤内复杂性和有限的临床数据阻碍了评估单个细胞亚型的攻击性.
研究的目的:
- 介绍SCellBOW,这是一个用于scRNA-seq分析的新型计算框架.
- 增强单细胞亚群的识别和可视化.
- 根据瘤细胞亚群的攻击性来实现瘤细胞亚群的风险分层.
主要方法:
- SCellBOW使用了以自然语言处理为灵感的文档嵌入技术.
- 使用多种scRNA-seq数据集对现有方法进行了框架性能验证.
- 通过模拟亚种群对疾病预后的影响来实现风险评估.
主要成果:
- SCellBOW准确地代表了表型上不同的细胞类型.
- 在转移性前列腺癌中发现了一种新型,积极的AR-/NElow恶性亚群.
- 展示了SCellBOW通过攻击性来分层细胞群的能力.
结论:
- SCellBOW提供了单细胞亚群的有效识别和可视化.
- 该框架促进了风险分层,有助于开发量身定制的癌症疗法.
- 突出了确定特定瘤亚群及其预后影响的临床相关性.
