scGraphDap:整合功能状态伪标签和图形结构学习,用于瘤微环境中的坚固细胞类型注释.

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:

• 瘤微环境 (TME) 对癌症进展至关重要,涉及复杂的细胞与细胞相互作用.
• 分析单细胞RNA测序 (scRNA-seq) 数据的细胞-细胞通信是具有挑战性的,因为数据的限制.

研究的目的:

• 开发一个新的图形神经网络框架,scGraphDap,用于改进细胞类型注释和细胞-细胞通信 (CCC) 推断.
• 提高对TME动态的理解,并确定潜在的治疗点.

主要方法:

• scGraphDap集成了功能状态伪标签 (路径活动得分) 与图形结构学习.
• 一个图域适应模块改善了跨患者概括.
• 该框架利用路径活动得分来优化细胞-细胞图表以实现功能近距离.

主要成果:

• 在15名患者的38667个细胞中,scGraphDap在细胞类型注释和CCC推断方面实现了平均82.82%的准确性.
• 该方法成功地确定了特定疾病的基因相互作用,例如乳腺癌中的STAT3-CD274.
• 该框架在揭示功能近距离超出简单的几何相似性方面表现强.

结论:

• scGraphDap提供了一个统一且有效的框架,用于使用非空间scRNA-seq数据进行TME分析.
• 该方法为癌症进展机制提供了宝贵的见解,并有助于发现新的治疗点.