TSCytoPred:一种深度学习框架,可以从不规则的纵向基因表达数据中推断细胞因子表达轨迹,以增强多基因组分析

科学领域:

• 免疫学和计算生物学
• 生物标志物发现和预测建模

背景情况:

• 细胞因子是重要的免疫调节剂,但它们的失调与癌症和COVID-19等严重疾病有关.
• 纵向细胞因子分析对于预测疾病严重程度和患者结果至关重要,但数据往往有限.
• 从基因表达数据中对细胞因子表达的计算推断提供了一种有希望的方法来克服数据稀缺.

研究的目的:

• 开发和验证TSCytoPred,这是一个深度学习模型,用于从基因表达数据中推断时间序列细胞因子表达轨迹.
• 评估模型在预测细胞因子动态方面的表现及其在临床疾病预测中的实用性.
• 为了解决当前时间序列细胞因子数据可用性的局限性,以便进行强大的预测建模.

主要方法:

• TSCytoPred利用时间序列基因表达数据的深度学习,通过相互作用关系和相关性识别关键基因.
• 带有插曲块的神经网络估计了观察到的时间点之间的细胞因子表达轨迹.
• 该模型使用COVID-19数据集进行了评估,将其性能与基线回归方法进行了比较.

主要成果:

• 在细胞因子表达轨迹推断中,TSCytoPred显著优于基线方法,在细胞因子表达轨迹推断中获得高R2和低MAE.
• 来自TSCytoPred的推导性细胞因子数据改善了对COVID-19患者严重性风险的预测.
• 该模型在具有有限时间点和不规则时间差距的数据集上证明了有效性.

结论:

• TSCytoPred提供了一种强大的方法来推断细胞因子表达动态,解决稀疏时间序列数据的局限性.
• 该模型增强了多omics数据的临床实用性,用于疾病结果分析,特别是在COVID-19等环境中.
• TSCytoPred促进了早期疾病检测,预测治疗反应,并扩大了在罕见疾病中应用多omics的范围.