如果您对骨科疾病生信临床研究感兴趣，请为小骨点点关注，持续解读骨科前沿生信文献和思路。如果您需要定制化服务，欢迎扫码联系小骨~
大家好，今天分享一篇有关单细胞＋深度学习的文章，让我们一起看看它研究方法有哪些亮点吧！1. 数据构建： 使用高通量单细胞测序技术构建了包含303,351个细胞的泛肿瘤单细胞图谱，涵盖多种高发病率肿瘤类型。
2. 深度学习框架“神农”（Shennong）
①架构：基于变分自编码器（VAE）的深度学习模型，包含编码器、瓶颈层和解码器。
②关键机制：采用组套索正则化和类注意力机制，提取细胞对药物响应的关键特征，减少冗余信息。
③输出：计算细胞对药物的响应强度和变化趋势，预测药物对细胞类型的影响。
3. 模型验证 ：在多个第三方数据集上验证了模型的稳健性和泛化能力，结果表明其在单细胞水平上具有较高的准确性和效率。
文章标题：A deep learning framework for in silico screening of anticancer drugs at the single-cell level
中文标题：用于单细胞水平抗癌药物计算机筛选的深度学习框架
发表期刊：Natl Sci Rev
发表时间：2024年12月
影响因子：16.3/Q1
研究目的
单细胞水平药物筛选的重要性：传统的药物筛选方法通常在组织或群体细胞水平进行，无法捕捉到细胞间的异质性。单细胞水平的药物筛选能够更精准地评估药物对不同细胞类型和状态的影响，有助于发现新的药物靶点和预测药物副作用。深度学习的应用：利用深度学习框架处理单细胞数据，能够高效地挖掘复杂的细胞响应模式，为抗肿瘤药物的筛选提供新的技术手段。
研究方法
1. 数据构建：使用高通量单细胞测序技术构建了一个包含 303,351 个细胞 的泛肿瘤单细胞图谱，覆盖多种高发病率的肿瘤类型。2. 深度学习框架“神农”（Shennong）①架构：基于 变分自编码器（VAE） 的深度学习模型，包含编码器、瓶颈层和解码器。②关键机制：采用 组套索正则化 和 类注意力机制，提取细胞对药物响应的关键特征，减少冗余信息。在潜在空间中计算每个细胞对药物处理的响应强度（潜在得分）和变化趋势（潜在方向）。③输出：预测药物对不同细胞类型的影响，识别药物的潜在靶点。3. 模型验证：在多个第三方数据集上验证了模型的稳健性和泛化能力。通过贝叶斯检验评估药物对细胞类型的影响，验证了模型的准确性和可靠性。
1.微孔seq法构建泛癌细胞单细胞景观
为了研究不同癌症类型的细胞类型多样性，我们使用Microwell-seq编制了一个泛癌症单细胞景观。肿瘤（CA）和邻近（ADJ）组织游离成单细胞悬液，scRNA-seq谱不进行初步分选。经过质量控制和过滤，我们的标本包括来自7种肿瘤类型的15例患者的303351个细胞，其中51.7%的细胞来源于肿瘤组织。我们收集的肿瘤包括肺腺癌、结直肠癌、肝细胞癌（HCC）、肝内胆管癌（ICC）、膀胱癌（BC）、胰腺导管腺癌（PDAC）和胆囊癌GBC），包含了中国发病率和死亡率最高的肿瘤类型。
了解肿瘤内异质性对揭示肿瘤进展和提高治疗效果具有重要意义。通过整合我们先前工作中相应正常组织的scRNA-seq数据，人类细胞景观（HCL）我们研究了肿瘤细胞及其TMEs的细胞异质性。所有scRNA-seq数据都是使用同一平台Microwell-seq生成的，换句话说，这排除了可能的技术诱导的偏差。我们合并的数据集包括38646个细胞，其中大约三分之一来自CA、ADJ和正常组织样本。来自盐酸的细胞占数据集的22％。细胞-细胞通讯分析显示，相互作用显著增加P<0.05）依次为正常组织、ADJ组织和CA组织。
3.基于深度学习框架的解释性单细胞水平药物扰动预测可解释性：通过分析药物相关基因权重，识别潜在靶点并解释药物作用机制。细胞类型响应：预测药物对不同细胞类型的特异性影响，揭示肿瘤细胞与正常细胞的差异响应。副作用预测：准确预测药物对正常组织的潜在损伤，与已知毒性高度一致。模型验证：在多个数据集上验证了模型的稳健性和泛化能力。
该研究通过构建深度学习框架“神农”，在单细胞水平上实现了抗肿瘤药物的高效筛选和精准评估。其创新性在于结合单细胞测序技术和深度学习算法，能够挖掘细胞异质性对药物响应的影响，同时预测药物的潜在靶点和副作用。这一成果为抗肿瘤药物研发提供了新的思路和技术支持，具有重要的科学意义和应用前景。如果您对生信分析和公共数据库挖掘感兴趣，但时间和精力有限或者缺乏相关经验，小骨非常乐意为您提供如下服务：免费思路评估、付费方案设计和生信分析等，有意向的老师欢迎扫描下方二维码联系小骨哦！
