从乳腺瘤组织病理学中深度学习推断细胞类型特定基因表达

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 在瘤学瘤学.

背景情况:

• 单细胞RNA测序 (scRNA-seq) 为乳腺癌精确瘤学提供了宝贵的细胞类型特定基因表达数据.
• 目前的方法,如散装RNA测序 (RNA-seq) 解卷是昂贵和耗时的,限制了它们的广泛应用.
• 需要更容易获得和更有效的方法来表征瘤微环境.

研究的目的:

• 开发一种深度学习工具,SLIDE-EX,用于从组织病理学全片图像 (WSIs) 直接预测细胞类型特定的基因表达和丰度.
• 评估SLIDE-EX在推断乳腺癌中的基因表达和细胞类型丰度方面的表现.
• 评估SLIDE-EX推断型的转化实用性,用于预测化疗反应.

主要方法:

• 开发了SLIDE-EX,这是一个在TCGA-乳腺队列上训练的深度学习模型,使用解构的散装RNA-seq数据作为标签.
• 使用常规乳腺癌组织病理学整片图像 (WSIs) 作为SLIDE-EX.的输入.
• 通过对160个病例的独立队列进行交叉验证和测试来验证SLIDE-EX.

主要成果:

• SLIDE-EX能够强大地推断出9种不同的细胞类型中成千上万个基因的表达,对癌症相关的纤维细胞和癌细胞的准确性最高.
• 准确预测癌症相关纤维细胞,癌细胞和髓状细胞的丰度.
• 推断的细胞类型特定表达特征准确地预测化疗反应,优于基于直接WSI预测或推断的批量表达的模型.

结论:

• SLIDE-EX提供了一种快速,具有成本效益的方法,可以直接从WSIs中推断细胞类型特定的基因表达.
• 这种方法使瘤微环境的表征民主化,并且在各种癌症类型中具有潜在的应用.
• SLIDE-EX 能够更准确地预测治疗反应,进步精确瘤学.