Artificial intelligence driven tumor risk stratification from single-cell transcriptomics using phenotype algebra
Rattachement africain : in, au, gb, us, it, fr, ca. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Single-cell RNA-sequencing (scRNA-seq) coupled with robust computational analysis facilitates the characterization of phenotypic heterogeneity within tumors. Current scRNA-seq analysis pipelines are capable of identifying a myriad of malignant and non-malignant cell subtypes from single-cell profiling of tumors. However, given the extent of intra-tumoral heterogeneity, it is challenging to assess the risk associated with individual cell subpopulations, primarily due to the complexity of the cancer phenotype space and the lack of clinical annotations associated with tumor scRNA-seq studies. To this end, we introduce SCellBOW, a scRNA-seq analysis framework inspired by document embedding techniques from the domain of Natural Language Processing (NLP). SCellBOW is a novel computational approach that facilitates effective identification and high-quality visualization of single-cell subpopulations. We compared SCellBOW with existing best practice methods for its ability to precisely represent phenotypically divergent cell types across multiple scRNA-seq datasets, including our in-house generated human splenocyte and matched peripheral blood mononuclear cell (PBMC) dataset. For tumor cells, SCellBOW estimates the relative risk associated with each cluster and stratifies them based on their aggressiveness. This is achieved by simulating how the presence or absence of a specific cell subpopulation influences disease prognosis. Using SCellBOW, we identified a hitherto unknown and pervasive AR−/NE low (androgen-receptor-negative, neuroendocrine-low) malignant subpopulation in metastatic prostate cancer with conspicuously high aggressiveness. Overall, the risk-stratification capabilities of SCellBOW hold promise for formulating tailored therapeutic interventions by identifying clinically relevant tumor subpopulations and their impact on prognosis.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Artificial intelligence driven tumor risk stratification from single-cell transcriptomics using phenotype algebra
- Date Crossref
- 13/06/2025
- Éditeur
- eLife Sciences Publications, Ltd
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Indraprastha Institute of Information Technology Delhi Department of Computer Science and Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Translational Research Institute pays non établi dans la noticeStructure de recherche
-
Queensland University of Technology pays non établi dans la noticeUniversité ou école supérieure
-
Prostate Cancer Research pays non établi dans la noticeOrganisation à but non lucratif
-
Indian Institute of Technology Delhi pays non établi dans la noticeUniversité ou école supérieure
-
The University of Adelaide pays non établi dans la noticeUniversité ou école supérieure
-
Harvard University pays non établi dans la noticeUniversité ou école supérieure
-
Institute for Biomedicine pays non établi dans la noticeStructure de recherche
-
Inserm pays non établi dans la noticeOrganisme public
-
Center for Research in Transplantation and Translational Immunology pays non établi dans la noticeStructure de recherche
-
Nantes Université pays non établi dans la noticeUniversité ou école supérieure
-
Indian Institute of Science Education and Research Kolkata pays non établi dans la noticeUniversité ou école supérieure
Department of Computer Science and Engineering — Indraprastha Institute of Information Technology Delhi, Translational Research Institute et Queensland University of Technology, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.