《合成生物学》推荐 | 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

文章介绍了基于深度学习与公开单细胞数据集的解卷积算法DeSide，能够较精确地估算多种实体肿瘤中各类细胞的丰度。研究内容包括合成高质量的训练集、深度神经网络结构的创新点、与其他算法预测效果的比较以及DeSide在临床预后分析中的应用价值。

关键观点总结

关键观点1: 研究背景与意义

随着对肿瘤微环境的研究深入，精准量化各类细胞比例对于理解肿瘤发生发展、优化诊疗策略具有重要意义。但现有实验方法成本较高，计算方法面临精准预测的挑战。

关键观点2: 研究方法与技术创新

本研究整合了多种实体肿瘤的scRNA-seq数据集，采用新型采样方法和基因过滤技术合成虚拟肿瘤bulk RNA-seq数据。创新地采用深度神经网络结构，引入pathway网络和GEP网络提取特征信息，有效提升了预测准确性。

关键观点3: 研究成效与对比

DeSide算法在预测多种肿瘤类型内细胞比例的准确性方面表现出色，与其他算法相比具有更好的泛化能力。同时，该算法在临床预后分析中也显示出潜在应用价值。

关键观点4: 研究团队与合作者

该研究由中国科学院深圳先进技术研究院李雪飞副研究员团队和香港浸会大学田亮副教授团队共同完成。得到了多个项目的支持。