纽约 - 安大略省癌症研究所的研究人员开发了一种算法，可以更好地对肿瘤微环境进行分类细胞，并根据单细胞转录组织数据提供原产地的组织。
在American遗传学学会年会的谈判中，上周持有，多伦多大学的研究生IDO Nofech-Mozes，他的团队如何为癌症，免疫力的自动注释制定工具，单细胞RNA-SEQ癌症研究中的基质细胞。
他说，手动注释这些细胞难以困难，因为“癌细胞中的大程度的介入性异质性使其很难找到癌症样本中可以使用的一致标志物”。“癌细胞倾向于患者而不是通过细胞类型聚集，即使是，”他说。
建立算法，Nofech-Mozes和他的同事使用来自a的参考数据纸去年发表于198个癌细胞系的约53,000个癌细胞的单细胞数据，代表22种实体肿瘤类型和58种癌症亚型。他们还在今年早些时候发布的纸张上发表的纸张中发表的纸张的数据添加了Cite-SEQ，用于转录om和表位的细胞分析，该数据包括约210,000个血细胞，并包括与全转录组数据匹配的细胞标志物。最后，它们包括来自来自人细胞阿特拉斯的四种正常组织的10,000个基质细胞的数据，包括成纤维细胞，平滑肌细胞，内皮细胞，少突胶质细胞和肠道胶质细胞。
该算法本身使用差异表达基因来选择特征，并使用多个分层组织的随机林模型进行培训。
“我们能够降低泛癌分类的大量复杂性，”Nofech-Mozes说。细胞分类为几个水平：第一级是确定它们是否是癌细胞，血细胞或基质细胞，而最高水平的分类包括诸如“卵巢癌细胞”或“CD8 + T细胞”的标签。
新的算法的高级分类提高了先前的自动细胞注释管道尝试，这通常是它们的粒度的限制。Nofech-Mozes说：“无法移动过去这些广泛的分类限制了我们如何在临床应用中使用这些结果。”
该算法是改善单个单元格分类的最新尝试。多伦多大学队将其算法与其他三方进行了比较，包括singlecellnet.，在约翰霍普金斯大学开发的广泛单细胞数据工具;Scmap-cell.，一个最近的邻居分类算法，将小区投影到参考数据集上，由惠康桑格研究所的研究人员开发;和通过分层分类辅助细胞类型的特征或者荷兰小儿科肿瘤科公主MáximaCency的研究人员开发的Chetah，该研究人员被设计用于肿瘤样本。
研究人员验证了含有大型肿瘤衍生的细胞阿特拉斯的算法，其中包含来自250名患者的超过100万个细胞的数据，代表14种主要癌症类型。所有细胞都有来自原始研究作者的注释。该团队计算了F1分数，符合分类的质量，并将其算法与SingleCellNet，SCMAP-Cell和Chetah进行了比较。
它们的算法为癌细胞评分为0.93，为癌细胞比1.00分，大大优于其他算法，其中Nofech-Mozes表示努力解释测试和参考集之间的细胞之间的介入异质性。对于基质细胞的算法为0.99次较0.99用于血液细胞，击败其他算法，尽管它们对这些细胞表现良好，他指出。
使用他们的工具，该团队能够从广播研究所的Aviv Regev和Orit Rozenblatt-Rosen的基准研究，在2020年出版的基准研究自然方法。原始分析仅限于分类细胞作为B细胞，内皮细胞，上皮细胞，成纤维细胞，巨噬细胞，肥大细胞或T细胞。此外，存在多种上皮细胞簇。新工具解决了上皮细胞簇的癌性癌症，并将其鉴定为肺癌细胞。多伦多团队甚至能够在研究中亚型T细胞，并注释某些罕见的树突细胞，原作者提出的是B细胞。
在另一个例子中，新工具能够追踪转移性癌症的起源组织，鉴定肝脏样品中的恶性细胞作为乳腺癌细胞。
Nofech-Mozes表示，该算法在单细胞水平下开辟了泛癌研究，这有助于展示肿瘤如何发展和突出新的转录程序，这些程序可以针对新的疗法。他建议，该方法还可以帮助亚型循环肿瘤细胞。