打开图形查看器
摘要
利用单细胞技术和空间分析方法研究肿瘤对于加深我们对癌症的理解至关重要。相关技术的发展为我们提供了越来越多的单细胞数据集。将这些数据整合到不同研究中，可以提升单个研究的影响力并加速癌症研究的进展。目前大多数数据整合方法都是针对转录组数据设计的，并假定存在大量共享特征，但这种假设在低维蛋白质组测量中并不成立。在这里，我们开发了CellFuse——一个基于深度学习的整合框架，它可以统一基于抗体的蛋白质组数据集，包括高维细胞计量学数据、CITE-seq数据以及空间蛋白质组数据。通过监督对比学习，CellFuse学习到了一个共享的嵌入空间，从而实现了跨肿瘤样本和实验条件的准确细胞类型预测及可靠的标签迁移。将该框架应用于外周血、骨髓和淋巴瘤的数据集时，CellFuse在识别临床相关细胞群体（包括罕见的恶性细胞和免疫细胞亚群）方面表现优于现有方法。在实体瘤研究中，它还能重建出具有空间分辨率的微环境，捕捉到恶性细胞、基质细胞和免疫细胞之间的相互作用，这些相互作用与治疗反应密切相关。凭借其可扩展性及跨模态的整合能力，CellFuse成为揭示预后的细胞状态、描绘肿瘤-免疫生态系统结构的强大工具，具有重要的转化医学价值，有助于推动癌症研究的发展。
