可解读的机器学习引导的单细胞映射解读了2型糖尿病中的多血统胰腺失调
Xueqin Xie1, Changchun Wu1, Yuhe Yang1
1Department of Clinical Laboratory, Sichuan Clinical Research Center for Cancer, Sichuan Cancer Hospital & Institute, Sichuan Cancer Center, School of Life Science and Technology, University of Electronic Science and Technology of China, Chengdu, 610054, China.
Cardiovascular diabetology
|July 24, 2025
概括
这项研究使用机器学习来解读糖尿病中的胰腺细胞变化,揭示了新的细胞标记物和改变的细胞通信. 这些发现为糖尿病管理和胰腺癌风险分层提供了潜在的目标.
科学领域:
- 内分泌学 在内分泌学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 胰腺细胞异质性对于代谢调节至关重要.
- 糖尿病期间胰腺细胞的病理变化尚不清楚.
研究的目的:
- 使用基于机器学习的单细胞框架,系统地绘制糖尿病中的胰腺细胞变化.
- 识别新的细胞类型特异性标记物,了解细胞间通信变化.
主要方法:
- 集成的单细胞RNA测序与机器学习 (PanSubPred和PSC-Stat).
- 开发了PanSubPred用于多系细胞注释和PSC-Stat用于星状细胞激活分析.
- 分析了细胞间通信通路和β细胞异质性.
主要成果:
- 识别了64种细胞类型特定的标记物 (38种新型) 具有高精度.
- 从糖尿病到胰腺癌的量化渐进的星状细胞激活.
- 揭示了管道中心的通信枢纽,并获得了糖尿病管道细胞的15个基因签名.
- 发现了与糖尿病相关的β细胞枯竭和特定亚型的扩张.
- 观察到状细胞和管状细胞分别向炎性和分泌性表型转移.
结论:
- 介绍了一种机器学习框架,用于绘制糖尿病中的胰腺细胞变化.
- 识别了新的签名,星状细胞动态和β细胞轨迹.
- 这些发现可能为糖尿病和胰腺癌风险分层提供潜在的治疗点.
