通过基于图像的深度学习预测细胞命运之间的差异表达基因的发现

科学领域:

• 细胞生物学 细胞生物学
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 识别早期的基因表达变化对于理解细胞分化和疾病至关重要.
• 单细胞RNA测序 (RNA-seq) 对基因表达分析具有强大作用,但由于细胞中断,它在早期的细胞命运确定方面存在困难.
• 深度学习擅长从图像中预测细胞命运,提供一种互补的方法.

研究的目的:

• 开发和验证一种综合方法,将基于深度学习的细胞命运预测从图像与单细胞全转录组分析结合起来.
• 识别与不同的细胞命运相关的差异表达基因 (DEGs),特别是在早期阶段.
• 应用该方法来区分注定要生存的细胞和在热应激后死亡的细胞.

主要方法:

• 向哺乳动物细胞系施加热应力,诱导细胞死亡.
• 利用时间间隔成像,并开发了基于图像的深度学习模型来预测细胞命运 (生存与死亡).
• 在成像后对细胞进行单细胞RNA测序,并比较预测命运之间的转录组以检测DEGs.

主要成果:

• 在预测死亡和生存的细胞之间成功识别了DEGs.
• 证明了综合方法在检测显著的基因表达差异中的实用性,即使在转录组形状缺乏明确的集群时也是如此.
• 验证了该方法在早期细胞命运确定中找到命运相关基因的能力.

结论:

• 开发的方法有效地将基于图像的深度学习与单细胞转录组学相结合,以识别早期细胞命运相关的基因.
• 这种方法促进了对细胞命运调节的理解,并促进了新型分子标记物的发现.
• 它为细胞生物学和疾病研究中的无假设发现提供了一个强大的工具.