本文介绍了一种名为
Scissor 的新颖生物信息学算法,旨在通过
整合单细胞测序数据与带有表型信息的批量(bulk)数据,识别与特定疾病特征相关的细胞亚群。该方法利用批量数据中丰富的临床标注(如
药物反应、肿瘤转移或生存率),弥补了单细胞研究通常样本量较小、统计效能不足的缺陷。
Scissor 采用
网络正则化稀疏回归模型,能够自动筛选出对特定表型(如肺癌的低氧状态或黑色素瘤的免疫治疗反应)起关键作用的细胞。研究证明,该工具在
癌症研究、阿尔茨海默病及肌肉萎缩症等多种疾病分析中展现了强大的通用性。这种整合策略不仅避免了传统聚类分析的主观性,还为发现
精准治疗靶点和预后生物标志物提供了全新的视角。
References:
- Sun, D., Guan, X., Moran, A.E. et al. Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data. Nat Biotechnol 40, 527–538 (2022). doi.org
前往小宇宙评论区与主播互动