PNAS | 定量解构肿瘤微环境：DeSide助力多种肿瘤内细胞丰度的精准预测

主要观点总结

文章介绍了中国科学院深圳先进技术研究院李雪飞副研究员团队与香港浸会大学田亮副教授团队共同开发的基于深度学习与公开单细胞数据集的解卷积算法DeSide。该算法能精确估算19种实体肿瘤中16种细胞类型的丰度，相关研究成果于2024年11月8日以“DeSide: A unified deep learning approach for cellular deconvolution of tumor microenvironment”为题在线发表于PNAS杂志。文章介绍了研究背景、方法、创新点、预测效果、临床应用价值及结论展望。

关键观点总结

关键观点1: 研究背景

肿瘤微环境是一个由多种类型细胞组成的复杂生态系统，除了癌细胞外，还包括血管内皮细胞、成纤维细胞、肿瘤相关巨噬细胞和肿瘤浸润淋巴细胞等。这些细胞的比例与患者的病情进展密切相关，因此研究它们对于深入理解肿瘤发生与发展规律、优化癌症诊疗策略具有重要意义。

关键观点2: 方法

研究人员通过整合来源于不同实体肿瘤类型的scRNA-seq数据集，采用深度学习方法开发出了DeSide算法。该算法通过合成虚拟肿瘤bulk RNA-seq数据来训练模型，并采用了新的采样方法和基因过滤技术来提高数据质量。在深度神经网络结构中，DeSide采用了两个全连接网络来提取特征信息，并引入了sigmoid函数作为DNN输出层的激活函数。

关键观点3: 创新点

DeSide算法是首个采用深度神经网络预测细胞比例的算法，其引入了新的采样方法和基因过滤技术，提高了虚拟肿瘤bulk RNA-seq数据的质量。此外，该算法还通过引入粗颗粒度的特征和sigmoid函数，有效提升了输入数据的多样性和预测的准确性。

关键观点4: 预测效果

研究表明，DeSide算法在预测多种肿瘤类型内不同细胞类型的比例方面表现出较好的准确性，与现有算法相比具有优势。此外，该算法还能较好地预测训练集中未包含的癌症类型，显示出较好的泛化能力。

关键观点5: 临床应用价值

研究通过患者生存分析探索了DeSide在临床应用中的潜在价值。结果表明，基于DeSide预测的细胞比例可以有效地评估患者的病详情进展情况，某些细胞类型或其组合的丰度与患者的生存显著相关。