230327 文献阅读

生信：Interpretable and context-free deconvolution of multi-scale whole transcriptomic data with UniCell deconvolve

随笔

• 单细胞+空转
• 常用空转
  • 靶向性的，高分辨率的手段（数十个）
    • MERFISH
    • split-FISH
    • OligFISSEQ
  • 全转录组，低分辨率。Unbiased
    • Slide-Seq
    • Visium
    • DBiT-seq
    • Stereo-seq

反卷积很重要，反卷积的性能会和ref文件挂钩。

本文方法学

主要是用了一个UCDBase来进行反卷积工作。进一步的可以提取全局细胞中的特征并生成指定细胞特征并进行后续的迁移学习（UCDSelect模型）

结果

研究先对单细胞测序及空转进行了反卷积测试，评估效果（benchmarking数据集）

三个基准数据集

• 针对单细胞，在PBMC（peripheral blood mononuclear cell，外周血单核细胞）、肺、视网膜进行了评估，应该说，整个模型在三种癌种中效果都不错。

对空转的benchmarking

• 对空转的效果，这儿提到了一个概念，视觉一致性（strong visual concordance）

缺血再灌注模型

• 接着作者是在肾缺血再灌注模型中评估了UCD的性能。
• 这是基于另一篇文章的测序数据（Dixon 2022），作者先预测的可能的肾组织有哪些，然后在正常组织中去反卷积（C），然后UCDBase对各种组织的预测基本上符合预期。针对缺血再灌注模型的结果，可以发现
  • 组织整体空间没变（两张切片不一样，这样说明两张切片具有可比性我觉得）。
  • IRI模型的T cell、抑制性巨噬细胞及成纤维细胞在6W达到峰值（Fig d）。
  • T cell的提升主要是CCR7，这玩意介导急性肾损伤。
  • 6W时成纤维细胞的浸润与补体因子H（cfh）有关。

USDBase可以描绘肾损伤中的生理变化图景。

未完待续

DL临床：A comparison of machine learning methods for predicting recurrence and death after curative-intent radiotherapy for non-small cell lung cancer: Development and validation of multivariable clinical prediction models

数据集构建

• Dataset X:

  • 434 patients with stage I to III disease (MAX)
  • treated at X Trust with stereotactic or conventional radiotherapy with or without chemotherapy
  • 26/9/2014 and 23/10/2018.

• Dataset Y:

  • 111 patients with stage I to III disease (MIN)
  • treated at Y Trust with conventional radiotherapy with or without chemotherapy
  • 3/2/2014 and 10/1/2019.

• Dataset Z:

  • 177 patients with stage I to III disease
  • treated at Z Trust with stereotactic or conventional radiotherapy with or without chemotherapy
  • 21/1/2016 and 18/12/2018.

• X+Y ==> 75% Train & 25% Validation

• Z ==> External Test

• 随访两年

数据集降维手段及建模手段比较

这是我整个文章我觉得唯一有借鉴意义的地方

评估了10个机器学习手段和7种降维手段联用。

预测BRAF突变：Multimodal integration of image, epigenetic and clinical data to predict BRAF mutation status in melanoma

数据集：

• TCGA-SKCM：根据医疗中心分组，WSI，450K甲基化数据，171例
• University Hospital Mannheim：76例

建模

• 病理：扫描WSI，然后标，特征提取细节没说，在Camelyon17上训练过。
• 临床：随机森林，做了临床特征的分类
• 甲基化数据：PCA降维或局部二乘法降维后送入随机森林。
• 融合：凸融合或者logistic回归

结果

相对就那样吧，没啥想说的