点击上方蓝字关注我吧!
生信孟德尔
肿瘤最可怕的就是不停 “进化”,越变越顽强,还会悄悄转移,让人防不胜防。
南京大学团队基于单细胞转录组数据把强化学习和图算法结合起来自研scRevol模型,专门解决肿瘤克隆演化分析里一直不好处理的问题。
用模拟数据、谱系追踪数据还有真实的卵巢癌样本反复验证,发现 scRevol在克隆识别、进化树构建上都很稳,还原真实克隆结构的效果比现有的传统方法优秀很多。
这个模型能精准找出高转移潜能的克隆亚群,给肿瘤异质性研究打开了新思路。
一起剖析背后的思维框架与内在逻辑吧~
研究亮点
把强化学习和单细胞测序结合起来做肿瘤克隆演化分析,思路很新颖,解决了传统方法不好处理的噪声与分型不准问题。
能一次性完成克隆分群和进化树构建,数据再乱也稳,效果比目前常用的方法更靠谱。
可以精准定位高转移的肿瘤亚群,把原发灶和转移灶之间的演化关系梳理得很清楚。
在模拟数据、肺癌谱系追踪、卵巢癌临床样本里都验证过,实用性强,能直接用来做肿瘤异质性和转移机制研究。
研究背景
肿瘤在生长过程中会不断产生基因突变,普通测序看不清单细胞层面的克隆情况,而且现有分析方法要么分开处理分型和进化关系,要么抗干扰能力差,很难同时做到准确、稳定和实用。
近期前沿热点:虚拟细胞、虚拟敲除🌹
专注生信分析,复刻高分思路!包含选题设计方案👍!
文献计量学:方案合理,价格公道👍
研究方法
研究选用单细胞转录组数据,把强化学习和图算法结合到一起,专门搭建了一套适配肿瘤克隆演化分析的研究框架。
借助CNV特征对肿瘤里面的亚克隆做细致划分,同时搭建进化树理清各个克隆之间的发展和亲缘关系。
用模拟数据、谱系追踪数据,以及卵巢癌临床真实样本做了多场景验证测试。
拿当下业内常用的分析方法做对照,从分型准度、进化结构还原度、抗数据噪声能力等方面,综合对比这套方法的实际表现。
研究结果
用模拟数据反复测试下来能明显感觉到这套方法克隆分型效果特别,单细胞数据本身噪声多、批次差异大,普通方法很容易分不准,但它依旧能稳稳把亚克隆区分开,整体稳定性比市面上常用的工具要强不少。
scRevol用于肿瘤演变建模和生物解析的工作流程。
构建出来的肿瘤进化树特别贴合实际,能清楚梳理出各个亚克隆的发展脉络,还有彼此之间的亲缘演化关系,和真实的细胞演变规律也能对上。
模拟数据上的性能评估。
用真实的细胞谱系数据测试也能把不同克隆谱系分开,分群界限很清晰,也不用额外调整参数,实际上手使用特别省心。
克隆群分析以及不同谱系间的转移异质性。
把这套方法用到卵巢癌的临床样本上也顺利划分出好几类肿瘤亚克隆,还能精准筛选出具备高转移潜质的克隆群体,明确解析了原发灶和转移灶之间的演化关联。
通过scRevol分析来界定克隆进化与功能动态。
跟目前业内主流的分析方法逐一对比发现,不管是克隆分型的准确性、进化关系的还原度,还是抗干扰能力、运行稳定性它都有着明显优势,基础科研和临床样本分析都很适用。
HGSOC中推断出的克隆动态与功能特征
文章小结
这项研究结合强化学习和图算法做了一套肿瘤克隆演化分析新框架,经过多类数据实测分型准、抗干扰性也很强,能清晰理清肿瘤亚克隆演变与转移关联,比传统方法更好用,也能给同类研究提供新参考。
如果你也想用“单细胞转录组+强化学习”复刻高分研究逻辑、完成数据分析,关注生信孟德尔,赶紧联系我吧!
🌎没想到强化学习也能结合到单细胞肿瘤克隆研究里,往常的传统方法总会受数据的噪声影响,分型不准、演化轨迹也不太清楚,这篇文章刚好解决了以上痛点。
🌎整个研究不光算法有创新还能关联到肿瘤转移,不愧是双一区的成果,无论是研究思路还是实验设计,都值得我们去学习借鉴。