XiaoMi-AI文件搜索系统
World File Search System单细胞
研究论文多摩学和单细胞分析揭示了基于机器学习的嘧啶代谢相关的签名，以预后
背景：嘧啶代谢是肿瘤代谢重编程的标志，而其对肺腺癌患者（LUAD）患者的预后和治疗意义的重要性仍然不清楚。方法：在这项研究中，使用各种机器学习和深度学习算法的综合框架来开发与嘧啶代谢相关的签名（PMRS）。通过全面的多摩学分析评估了其在基因组稳定性，化学疗法和免疫疗法耐药性方面的功效。也阐明了PMRS亚组之间患者的单细胞景观。随后，在LUAD细胞系中对LYPD3（PMRS模型中最重要的系数因子）的生物学功能进行了实验验证。结果：具有“随机生存森林”算法的PMRS模型表现出最佳性能，并用于进一步分析。它在各种模型评估测定中显示出极好的准确性和稳定性。与PMRS-HIGH亚组相比，PMRS评分较低的患者的生存结果更好，更稳定的基因组特征和对免疫疗法的敏感性更高。单细胞分析表明，随着PMR的增加，上皮细胞逐渐表现出具有增强的嘧啶代谢的恶性表型，而PMRS-HIGH患者表现出肿瘤免疫微环境的抑制状态。进一步的实验表明LYPD3促进了LUAD细胞系中的恶性进展。结论：我们的研究构建了PMRS模型，强调了其在LUAD患者的治疗和预后的潜在价值，并为LUAD患者的个性化精度治疗提供了新的见解。
小鼠耳蜗的单细胞转录组分析
耳蜗的功能分子表征主要由神经性耳聋遗传结构的解析所驱动。因此，寻找听力领域极为缺乏的治愈性治疗方法已成为一个可能实现的目标，特别是通过耳蜗基因和细胞疗法。为此，一份完整的耳蜗细胞类型清单以及对其基因表达谱直至最终分化的深入表征是必不可少的。因此，我们基于对出生后第 8 天 (P8) 的 120,000 多个细胞的分析，生成了小鼠耳蜗的单细胞转录组图谱，这些细胞处于听力前期，P12 对应于听力开始，P20 对应于耳蜗成熟几乎完成。通过将全细胞和核转录分析与广泛的原位 RNA 杂交试验相结合，我们表征了涵盖几乎所有耳蜗细胞类型的转录组特征并开发了细胞类型特异性标记。发现了三种细胞类型；其中两种构成了容纳主要听觉神经元和血管的耳蜗轴，第三种细胞由内衬前庭阶的细胞组成。结果还揭示了基底膜生物物理特性的声音梯度的分子基础，而这种梯度是耳蜗被动声频分析的关键基础。最后，我们还揭示了几种耳蜗细胞类型中被忽视的耳聋基因表达。该图谱为破译控制耳蜗细胞分化和成熟的基因调控网络铺平了道路，这对于开发有效的靶向治疗方法至关重要。
GraphComm：一种基于图的深度学习方法，用于预测单细胞 RNAseq 数据中的细胞间通讯
1 加拿大多伦多大学健康网络玛格丽特公主癌症中心 2 加拿大多伦多大学医学生物物理学系 3 德国亚琛工业大学实验医学与系统生物学研究所 4 加拿大多伦多人工智能矢量研究所 5 加拿大多伦多彼得·蒙克心脏中心 6 加拿大多伦多大学计算机科学系 7 加拿大多伦多大学实验室医学与病理生物学系
喂养金头鲷增加膳食细菌单细胞蛋白水平：对生长、血浆生物化学、肠道组织学和
Marchi, A., Bonaldo, A., Scicchitano, D., Candela, M., De Marco, A., Falciglia, S., 等人 (2023)。通过增加膳食细菌单细胞蛋白水平喂养金头鲷：对生长、血浆生物化学、肠道组织学和肠道微生物群的影响。水产养殖，565，1-11 [10.1016/j.aquaculture.2022.739132]。
同时使用的单细胞CRISPR，RNA和ATAC-SEQ使多组CRISPR屏幕可以识别基因调节关系
。cc-by-nc 4.0国际许可（未获得同行评审证明），他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本版本的版权持有人，该版本发布于2025年2月12日。 https://doi.org/10.1101/2025.02.11.637716 doi：Biorxiv Preprint
单细胞和表观遗传数据的可解释深度学习揭示了衰老方面的新分子见解
深度学习 (DL) 和可解释人工智能 (XAI) 已成为强大的机器学习工具，可用于识别空间或时间域中的复杂预测数据模式。在这里，我们考虑将 DL 和 XAI 应用于大型组学数据集，以便在分子水平上研究生物衰老。我们开发了一种先进的多视图图级表示学习 (MGRL) 框架，该框架整合了先前的生物网络信息，以细胞类型分辨率构建分子衰老时钟，随后我们使用 XAI 对其进行解释。我们将该框架应用于最大的单细胞转录组数据集之一，该数据集包含来自 981 名捐赠者的一百万多个免疫细胞，揭示了一个核糖体基因子网络，其表达与年龄无关，与细胞类型无关。将相同的 DL-XAI 框架应用于分类单核细胞的 DNA 甲基化数据，揭示了一种表观遗传失调的炎症反应途径，其活性随着年龄的增长而增加。我们表明，如果我们使用更标准的机器学习方法，就不会发现核糖体模块和炎症途径。总之，这里介绍的计算深度学习框架说明了深度学习与可解释的人工智能工具相结合如何揭示对复杂衰老过程的新颖生物学见解。
单细胞 DNA 测序描绘了奥希替尼耐药患者中多个驱动变异的克隆进化
1 巴黎萨克雷大学，古斯塔夫鲁西，INSERM U981，维尔瑞夫； 2 药物开发部（DITEP），Gustave Roussy，维尔瑞夫； 3 维尔瑞夫古斯塔夫鲁西肿瘤医学系； 4 PRISM 研究所，Gustave Roussy，维尔瑞夫； 5 巴黎萨克雷大学 INSERM 生物统计学和流行病学办公室，Gustave Roussy，Oncostat U1018，标记为 Ligue Contre le Cancer，Villejuif； 6 实验和转化病理学平台（PETRA）、基因组平台 - 分子生物病理学单位（BMO）和生物资源中心、AMMICA、INSERM US23/CNRS UMS3655、Gustave Roussy、巴黎萨克雷大学、维尔瑞夫； 7 维尔瑞夫古斯塔夫鲁西医学生物学和病理学系； 8 介入放射学系，Gustave Roussy，维尔瑞夫； 9 法国马赛艾克斯马赛大学、法国国立科学研究院、法国国家健康与医学研究院、法国马赛临床医学研究中心
特刊 - 单细胞和空间多
高通量组学技术的最新突破彻底改变了我们对人类生物学和疾病的理解。新兴的单细胞和空间多组学在空间背景下以单细胞分辨率提供了组织内细胞组成和分子景观的整体视图。这些进步从整体组织或细胞类型过渡到单细胞和空间水平，开启了各种新的生物学发现，例如基因表达、细胞杂合性、微环境和疾病发病机制之间错综复杂的相互作用。这些技术已成为单细胞组学和多细胞分辨率空间技术的标志，并得到了非常先进的分析工具的支持。本期《基因》特刊欢迎评论和原创论文，涵盖人类疾病或小鼠模型中任何类型的单细胞或细胞核空间基因组学、转录组学和表观遗传学的最新遗传学研究。将特别关注综合单细胞组学研究。
单细胞转录组学揭示了NK细胞的动力学
图1：a）在通过流式细胞仪测量的每个天中，不同供体的NK细胞（CD56 +，CD3-）的折叠膨胀。b）在通过流式细胞仪测量的每个天，不同供体的T细胞（CD56 +，CD3 +）的折叠膨胀。c）在通过流式细胞仪测量的每个天，不同供体的T细胞（CD56-，CD3 +）的折叠膨胀。d）在第0-3、3-8和8-15天之间通过流式细胞仪测量的明显生长速率。e）在所有分析的天数中的所有细胞的UMAP投影，每个捐赠者颜色的供体颜色，其中箭头指示的群集C3是唯一基于供体的细胞聚类的区域。f）基于流式细胞仪和转录组注释基于NK细胞的细胞类型测定之间的比较。g）从分析当天着色的每个供体的所有细胞的UMAP投影。h）基于流式细胞仪和转录组注释的T细胞测定细胞类型测定之间的比较。i）在所有分析的天数中所有细胞的UMAP投影，从预测细胞类型的每个供体彩色。