通过ResNet50和单细胞多组学分析,确定了儿科急性淋巴细胞白血病的关键细胞和分子特征

科学领域:

• 血液学恶性瘤 血液学恶性瘤
• 儿科瘤学 儿科瘤学
• 计算生物学 计算生物学

背景情况:

• 急性淋巴细胞白血病 (ALL) 是一种常见的儿童癌症,具有显著的细胞和免疫异质性.
• 由于这种异质性,ALL的挑战包括早期诊断,复发预测和个性化治疗.

研究的目的:

• 将深度学习成像分析与单细胞转录组学和T细胞受体测序 (TCR-seq) 结合起来,用于儿科ALL.
• 改善早期诊断,复发预测和儿童ALL的个性化治疗.

主要方法:

• 开发了一个ResNet50深度学习模型,用于对ALL的单细胞图像分类 (85%准确率,0.86AUC).
• 使用梯度加权类激活映射 (Grad-CAM) 来识别核形态作为一个关键特征.
• 对单细胞RNA测序数据应用了卢瓦恩聚类,揭示了18个不同的细胞亚群.
• 结合了T细胞受体测序 (TCR-seq) 数据的发现.

主要成果:

• 深度学习模型根据核形态学准确地对白血病细胞进行了分类.
• 确定了18个不同的细胞亚群,其中第4个群体显示出高免疫活性和TCRβ重组.
• 突出了UBE2C和HMGB2在白血病发生中的作用.
• 通过多omics集成发现免疫微环境变化和潜在的复发生物标志物.

结论:

• 将深度学习与单细胞多组学相结合,是儿科ALL研究的一个强有力的策略.
• 这种综合方法有助于了解疾病机制.
• 这些发现支持改善儿童ALL的早期诊断和个性化治疗策略.