基于深度学习的特征发现,用于解码儿科高度质瘤的表型可塑性

科学领域:

• 系统医学和人工智能 (AI)
• 计算生物学和生物信息学
• 神经瘤学和发育神经生物学

背景情况:

• 儿科高度质瘤 (pHGGs) 具有显著的异质性和可塑性.
• 了解血统可塑性的分子决定因素对于开发有效疗法至关重要.
• 由于瘤的适应性和耐药性,目前的治疗策略面临挑战.

研究的目的:

• 使用人工智能驱动的系统医学识别儿科高等级质瘤 (pHGG) 亚型的血统特异性可塑性的关键决定因素.
• 阐明调节质瘤形态发生和细胞命运决策的网络相互作用.
• 发现pHGG的潜在治疗漏洞和精准医学策略.

主要方法:

• 将复杂的网络动态和基于图形的机器学习应用于单细胞转录组数据.
• 儿科高度质瘤 (pHGG) 亚型的分析:IDHWT质瘤和K27M改变的扩散性中线质瘤.
• 识别过渡基因,枢纽基因和调控网络的相互作用.

主要成果:

• 确定了涉及瘤免疫微环境,神经发育程序和信号通路 (MAPK/ERK,WNT) 的关键网络相互作用.
• 发现了调节质瘤可塑性的特定过渡基因 (例如DKK3,NOTCH2,H3F3A) 和枢纽基因 (例如ITM2C,H3F3A).
• 发现pHGGs在发育过程中被困,表现出混合细胞身份和可塑性作为应激反应.

结论:

• pHGGs表现出不适应的行为和由中断的神经差异化等级驱动的混合细胞身份.
• 瘤异质性和可塑性是受免疫炎症微环境和氧化应激影响的应激反应模式.
• 针对发育轨迹和可塑性网络提供了有前途的精准医学策略,包括向神经元分化转变疗法.