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深入理解癌症至关重要。相关技术的发展为研究人员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。现有的大多数整合方法都是针对转录组数据设计的，并假设存在大量共享特征，但这一假设在低维度的蛋白质组学数据中并不成立。在这里，我们开发了CellFuse，这是一个基于深度学习的整合框架，能够统一基于抗体的蛋白质组学数据集，包括高维细胞测量数据、通过测序对转录组和表位进行细胞索引的数据以及空间蛋白质组学数据。CellFuse利用监督对比学习算法，学习到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鲁棒的标签转移。在涵盖外周血、骨髓和淋巴瘤的数据集中，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，它还能重建出空间分辨的微环境，揭示恶性细胞、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。通过提供可扩展的、不受数据类型限制的整合能力，CellFuse成为揭示预后相关细胞状态、描绘肿瘤-免疫生态系统结构的强大工具，对癌症研究具有重要的转化意义。
意义：
CellFuse是一个基于监督对比学习的框架，能够实现单细胞蛋白质组学数据和转录组数据的准确、可扩展的整合，克服了标记物重叠和分布差异的问题，从而改善了癌症单细胞数据的分析效果。
