基于深度学习模型的细胞状态指纹分析,使用泛癌的元程序

科学领域:

• 癌症生物学 癌症生物学
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 了解癌症中共享的细胞状态对于开发有效治疗方法至关重要.
• 在胰腺癌的共同点中,恶性细胞占主导地位的机制尚不清楚.

研究的目的:

• 用单细胞RNA测序分析各种癌症类型的细胞状态.
• 开发一个深度学习模型 (StateNet) 用于癌细胞分析和识别共享特征.
• 发现与预后相关的程序和癌症风险相关的基因.

主要方法:

• 在14种组织类型的245个细胞系中的159372个细胞上进行无标签的多重单细胞RNA测序 (scRNA-seq).
• 公共和专有scRNA-seq数据集的整合.
• 开发和应用深度学习模型StateNet用于细胞状态指纹和分析.
• 扰动实验验证了表皮细胞-介质细胞过渡程序的作用.
• 在3210个癌症样本上使用与预后相关的程序构建Cox模型.

主要成果:

• 识别了21个元程序 (MPs),代表了癌症全局的共同特征和16个生物过程.
• 州网生成了细胞状态指纹,划分了细胞系个性.
• 确定ACAT2作为低氧和脂质新陈代谢之间的潜在媒介.
• 发现表皮质-介质细胞过渡程序对于细胞系分类至关重要.
• 揭示了与预后相关的计划,并确定了与患者生存结果相关的风险相关基因.

结论:

• 州网 (StateNet) 是一种用于癌症分析的新工具,阐明了泛癌细胞的共同点和个性.
• 该模型有效地分析scRNA-seq数据,揭示与预后相关的程序,并区分患者的生存率.
• 研究结果提供了有关癌症机制和潜在治疗点的见解.