
-
生物通官微
陪你抓住生命科技
跳动的脉搏
dioscRi 实现了对多参数流式细胞术数据中临床结果的可迁移预测
《Nature Communications》:dioscRi enables transferable prediction of clinical outcomes in multi-parameter cytometry data
【字体: 大 中 小 】 时间:2026年08月28日 来源:Nature Communications 18.1
编辑推荐:
摘要多参数细胞术技术使得能够在单细胞分辨率下对免疫细胞群体进行高维分析。深度学习已广泛应用于这些数据集中,但由于技术变异性、批次效应以及生物学相关细胞群体的识别问题,现有方法往往难以在不同数据集之间迁移,这限制了它们在临床研究中的效用。我们提出了 dioscRi,这是一个可迁
多参数细胞术技术使得能够在单细胞分辨率下对免疫细胞群体进行高维分析。深度学习已广泛应用于这些数据集中,但由于技术变异性、批次效应以及生物学相关细胞群体的识别问题,现有方法往往难以在不同数据集之间迁移,这限制了它们在临床研究中的效用。我们提出了 dioscRi,这是一个可迁移的深度学习框架,它集成了最大均值差异变分自编码器用于归一化和去噪,从而增强了跨数据集的兼容性。通过在生物学或经验性推导出的细胞类型层次结构中对这些特征进行结构化,来识别细胞类型比例和标记物表达的变化。这些层次结构被直接整合到一个重叠组 LASSO 模型中,从而改善了对临床结果的预测。当应用于冠状动脉疾病研究时,dioscRi 复现了数个已知的免疫关联。跨多个数据集的基准测试表明,dioscRi 能够在使用兼容标记物面板的队列之间迁移,并在四个数据集中的三个上优于现有方法,确立了其作为细胞术数据分析可解释工具的地位。