前沿分享 | 癌症研究新篇章：深度学习合成增强多组学数据集

2024-12-25

文献概述

近期，在 Nature Communications 上发表的创新性研究，介绍了MOSA模型。这是一种无监督深度学习工具，用于整合和增强癌症细胞系的多组学数据集，通过合成数据提高统计能力并揭示与药物抗性相关的新机制，为癌症研究和治疗提供宝贵的资源。

研究背景及目的

在癌症生物学的研究中，整合不同类型的生物学数据对于全面理解癌症至关重要。然而，由于数据的异质性、复杂性和稀疏性，这一过程充满挑战。为了解决这些问题，本研究介绍了一个无监督深度学习模型MOSA（Multi-Omic Synthetic Augmentation），专门设计用于整合和增强癌症依赖性图谱（DepMap）的多组学数据。

研究内容及方法

MOSA模型通过利用正交的多组学信息，成功生成了分子和表型特征，使得多组学特征的数量增加了32.7%，为1,523个癌症细胞系生成了完整的DepMap。这种合成增强的数据提高了统计能力，揭示了与药物抗性相关的机制，并有助于识别遗传关联和癌症细胞系的聚类。

研究者们采用了深度生成模型，特别是变分自编码器（VAE），来提供更复杂的底层生物数据的表述。MOSA模型（ 见图1 ）整合了超过1,500个癌症细胞系的多组学数据集，并利用SHAP（SHapley Additive exPlanations）值进行模型可解释性分析，以促进对潜在生物学机制和药物靶标的识别。

图1 MOSA示意图

主要发现

1. MOSA在独立药物反应和蛋白质组学数据集上展示了其生成能力，并准确恢复了癌症组织起源的聚类。

2. MOSA提高了寻找与CRISPR-Cas9基因必需性筛选相关的基因组关联的统计能力。

3. 通过MOSA合成筛选的癌症细胞系揭示了与基因组特征一致的脆弱性，例如FLI1-EWSR1融合依赖性。

4. MOSA作为一个完整的多组学特征增强工具，通过增加32.7%的可用筛选数量，提高了多组学数据集的规模和质量。

研究结论

MOSA通过增强1,523个癌症细胞系的多组学特征，为实验设计提供了指导，并加速了最有希望的目标的验证。展望未来，该模型可以轻松适应整合其他类型的数据模式，如成像，进一步促进分子/表型关联的发现。通过应用MOSA模型，研究者们能够更深入地理解癌症细胞状态、药物抗性及其背后的机制，为癌症治疗提供了新的视角和工具。

文献来源：

Cai, Z., Apolinário, S., Baião, A. R., Pacini, C., Sousa, M. D., Vinga, S., Reddel, R. R., Robinson, P. J., Garnett, M. J., Zhong, Q., & Gonçalves, E. (2024). Synthetic augmentation of cancer cell line multi-omic datasets using unsupervised deep learning. Nature communications, 15(1), 10390. https://doi.org/10.1038/s41467-024-54771-4

原文链接：

https://www.nature.com/articles/s41467-024-54771-4

分享者简介 ✦

邓佳荣

重庆大学智能肿瘤学教育部医药基础研究创新中心博士研究生。曾参与2项国家自然科学基金面上项目，目前已发表文章4篇，以第一作者身份发表文章2篇，总影响因子>20。

编辑|曾海蓉李劲

版权声明：本文为“乐问号”作者或机构在乐问医学上传并发布，仅代表该作者或机构观点，不代表乐问医学的观点或立场，不能作为个体诊疗依据，如有不适，请结合自身情况寻求医生的针对性治疗。
链接：http://www.lewenyixue.com/2024/12/25/%E5%89%8D%E6%B2%BF%E5%88%86%E4%BA%AB%20%7C%20%E7%99%8C%E7%97%87%E7%A0%94%E7%A9%B6%E6%96%B0%E7%AF%87%E7%AB%A0%EF%BC%9A%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%90%88/

THE END

癌症研究里程碑，千禧年后新进展

<<上一篇

Cell ｜斯坦福大学揭秘人工智能虚拟细胞的突破与未来

下一篇>>