对预测癌症结果的单细胞基础模型的实证评估.
Haitham Elmarakeby1, Ahmed Roman1, Shreya Johri1
1Dana Farber Cancer Institute, Boston, MA, USA.
bioRxiv : the preprint server for biology
|November 24, 2025
概括
对于单细胞RNA测序 (scRNA-seq) 的基础模型在癌症研究中表现有前途. 然而,当前的模型对预测患者结果的基线具有有限的优势,突出显示需要进一步开发.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 翻译性瘤学是指翻译性瘤学.
背景情况:
- 在大规模单细胞RNA测序 (scRNA-seq) 数据上预训练的基础模型为转化癌症研究提供了潜力.
- 这些模型在患者级临床环境中的应用尚未完全理解.
研究的目的:
- 系统地评估新兴单细胞基础模型 (scFMs) 在癌症特定任务上的性能.
- 为了比较scFMs与基线方法在各种培训条件的临床应用.
主要方法:
- 在6个癌症任务中评估了9个scFM和3个基线模型 (例如,亚型分类,治疗反应预测).
- 在零射击,持续训练和微调条件下进行了1170次监督和130次无监督实验.
- 在患者一级单细胞分析中评估模型实用性.
主要成果:
- 目前的scFMs在特定任务中表现出强的表现,例如瘤微环境细胞注释.
- 在预测癌症患者的临床和生物结果方面,scFMs与更简单的基线模型相比显示出有限的优势.
- 根据不同的任务和评估条件,绩效有所不同.
结论:
- 对生物和临床相关任务的严格评估对于scFMs在精密瘤学中的负责任应用至关重要.
- 进一步的方法创新和更大的癌症scRNA-seq数据集是必要的,以推进scFMs.
- 目前的scFMs可能还没有完全捕捉到预测癌症患者水平结果所需的复杂性.
更多相关视频
09:01Cancer-Associated Fibroblasts from Mouse Mammary Tumors as Tools for Molecular and Computational Studies
Published on: July 3, 2025
822
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
7.6K
