scTECTA:非对称的深度转移学习跨患者瘤微环境单细胞注释
IEEE transactions on computational biology and bioinformatics
|October 7, 2025
概括
scTECTA是一种新的图形神经网络方法,可以准确地注释瘤微环境中的细胞类型. 它克服了现有的单细胞RNA测序方法的局限性,通过使用转移学习来进行强大的细胞类型分类.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 瘤微环境 细胞异质性驱动癌症.
- 单细胞RNA测序 (scRNA-seq) 揭示了这种异质性.
- 目前的scRNA-seq注释方法与数据稀疏性,生物变异性和批量效应作斗争.
研究的目的:
- 开发一种先进的计算方法,在瘤微环境中准确地进行细胞类型注释.
- 解决现有的单细胞注释技术的局限性,特别是批量效应和数据稀疏性.
- 改进癌症研究中细胞异质性的分析.
主要方法:
- 提出了scTECTA,这是一个基于图形神经网络 (GNN) 的方法,利用转移学习.
- 实现了带有不对称神经网络和域对抗学习的图域适应.
- 采用图形卷积网络进行分布转移校正,并进行批量效应对齐的对抗训练.
主要成果:
- 与10种基准方法相比,scTECTA表现出优越的细胞类型分类性能.
- 该方法显示,在各种数据集中对批量效应进行了强有力的校正.
- 在34名患者的6种癌症类型上进行了评估,证实了其广泛的适用性.
结论:
- scTECTA是瘤微环境细胞类型注释的高效和强大的工具.
- 转移学习方法有效地解决了scRNA-seq数据分析中的挑战.
- 这种方法提高了癌细胞分析的精度和稳定性.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.7K
06:05Author Spotlight: Multiplex Immunofluorescence Combined with Spatial Image Analysis for the Clinical and Biological Assessment of the Tumor Microenvironment
Published on: June 2, 2023
9.8K
