基于图形的深度学习,用于整合单细胞和批量转录组数据,以识别临床癌症亚型.
Yixin Liu1, Dandan Zhang2, Tianyu Liu3
1Modern Education Technology Center, Harbin Medical University, 157 Baojian Road, Nangang District, Harbin 150080, China.
Briefings in bioinformatics
|September 18, 2025
概括
一种新的图形深度学习方法scBGDL集成了单细胞和批量转录组数据,以准确识别癌症亚型并预测患者的结果,推进精确瘤学.
科学领域:
- 计算生物学 计算生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 单细胞RNA测序 (scRNA-seq) 和大量的转录组数据对于理解癌症异质性和识别亚型至关重要.
- 在scRNA-seq数据中的挑战 (高维度,稀疏性,噪声) 限制了临床翻译.
- 整合多式转录基因数据对于强大的癌症亚型识别和结果预测至关重要.
研究的目的:
- 引入一种新的图形深度学习方法,scBGDL,用于scRNA-seq和批量转录组数据的协同集成.
- 准确识别癌症亚型并使用集成的转录基因数据预测临床结果.
- 克服scRNA-seq数据在临床应用中的局限性.
主要方法:
- 开发了scBGDL,这是一个基于图形的深度学习框架,使用图形注意力网络,MinCutPool和变压器模块.
- 构建样本特定的基因图表,以建模基因相互作用和细胞关系.
- 在16个癌症基因组图谱 (TCGA) 癌症类型和三个独立的多中心队列中验证了scBGDL.
主要成果:
- 在16种TCGA癌症类型的预后准确性方面,scBGDL显著优于现有的方法 (平均C指数:0.7060).
- 在肺腺癌,卵巢癌和黑色素瘤队列中证明了强大的风险分层和临床效用.
- 确定了关键驱动器边缘和发现了临床相关的生物解释.
结论:
- scBGDL有效地整合了多模式的转录基因数据,用于精确的癌症亚型识别和预后预测.
- 该方法在各种癌症类型和治疗环境中提供了强大的,可通用的性能.
- scBGDL通过提供可解释的生物见解来优化治疗和发现生物标志物来推进精确瘤学.
