stClinic通过将空间多切片多omics数据集成到动态图中来剖析临床相关的利基
Chunman Zuo1,2,3,4, Junjie Xia5, Yupeng Xu5
1School of Life Sciences, Sun Yat-sen University, Guangzhou, China. zuochm@mail.sysu.edu.cn.
Nature communications
|June 16, 2025
概括
我们开发了stClinic,这是一个新的动态图模型,用于整合空间多态和表型数据. 这种方法揭示了瘤中临床相关的细胞,改善了我们对癌症进展和患者结果的理解.
科学领域:
- 计算生物学是一种计算生物学.
- 癌症研究 癌症研究
- 生物信息学是一种生物信息学.
背景情况:
- 空间多组学 (SMSMO) 集成推进了瘤中细胞利基的理解.
- 挑战包括数据规模,多样性,异质性和小样本大小,限制临床见解.
研究的目的:
- 引入stClinic,一个集成SMSMO和表型数据的动态图形模型.
- 发现临床相关的细胞,并将其与疾病表现联系起来.
- 增强对瘤微环境及其临床影响的理解.
主要方法:
- stClinic 通过使用混合高斯先验的切片将来自邻近节点的信息汇总在一起.
- 它使用基于注意力的几何统计措施来对相对于人口的切片表征.
- 零射击学习用于标签注释和多omics集成.
主要成果:
- stClinic识别了富含瘤相关巨细胞的侵袭性瘤.
- 在B细胞和血细胞中发现了丰富的有利预后.
- 确定了涉及髓状细胞和纤维细胞驱动结直肠癌入侵的特定利基.
结论:
- stClinic有效地整合了多omics数据,以揭示具有临床意义的细胞.
- 该模型有助于预测癌症恶性和患者预后.
- 这些发现为瘤异质性和治疗点提供了新的见解.
更多相关视频
09:19Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection
Published on: July 6, 2022
5.0K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.5K
