SIDISH集成了单细胞和批量转录组学,以识别高风险细胞,并通过in silico扰动指导精确疗法

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.
• 精准医学是一门精准的医学.

背景情况:

• 单细胞RNA测序 (scRNA-seq) 提供了高分辨率的细胞洞察力,但受到成本和小队列大小的限制.
• 大量RNA测序是可扩展和具有成本效益的,但缺乏单细胞分辨率.
• 整合这些方法对于翻译相关性和全面的疾病理解至关重要.

研究的目的:

• 介绍SIDISH,一个新的神经网络框架,集成scRNA-seq和批量RNA-seq数据.
• 识别高风险细胞种群,并从大队列数据中实现可靠的临床预测.
• 为了促进生物标志物发现和精准医学的治疗目标识别.

主要方法:

• 在SIDISH框架内使用了变量自编码器,深度考克斯回归和转移学习.
• 开发了一个in silico扰动模块来模拟干预并确定治疗目标.
• 扩展SIDISH以将空间转录组学数据概括为组织内细胞分析.

主要成果:

• SIDISH成功地将单细胞颗粒度与大量RNA-seq可扩展性相结合.
• 确定了与各种疾病的不良临床结果相关的高风险细胞群.
• 证明了预测临床表型和发现潜在治疗点的能力.

结论:

• SIDISH为疾病风险评估提供了一个整合性和可扩展的计算工具.
• 该框架弥合了细胞动态和临床表型之间的差距,推进了精准医学.
• 通过统一多学科数据,SIDISH促进生物标志物发现和治疗优先级.