Single-cell omics data-driven decoding of tumor clonal evolution through reinforcement learning

doi:10.1186/s13073-026-01648-4

Single-cell omics data-driven decoding of tumor clonal evolution through reinforcement learning

2026-04-18

0

OA

AI

DOI：10.1186/s13073-026-01648-4

原文链接

查看原文

摘要

En 中文

肿瘤演化的驱动力在于显著的细胞异质性，但其重建仍受限于常规的全基因组测序方法。单细胞转录组数据为研究克隆多样性和演化动力学提供了机会，但准确推断克隆结构和谱系关系仍然困难。我们开发了基于强化学习的单细胞演化建模方法（scRevol），一种基于强化学习的模型，用于从单细胞RNA测序（scRNA-seq）数据中推断肿瘤演化。利用从scRNA-seq数据推断的拷贝数变异（CNV）谱，scRevol采用标签分配学习策略生成信息丰富的嵌入，识别克隆群体并重建演化轨迹。我们使用模拟数据集、谱系追踪数据和卵巢癌scRNA-seq数据集评估了scRevol。在模拟数据集中，scRevol表现出稳健的簇内一致性，并准确恢复了不同克隆复杂性和噪声水平下的谱系拓扑结构。与聚类基线和现有的单细胞肿瘤演化分析方法相比，scRevol与真实结果高度一致。在谱系追踪数据中，scRevol识别了与转移潜能相关的克隆群体，并揭示了显著的转移异质性。在卵巢癌数据集中，scRevol解析了原发灶和转移灶中的亚克隆结构，并将推断的克隆与独特的转录和通路水平特征相关联。这些结果支持scRevol作为从单细胞转录组数据重建肿瘤演化、表征克隆架构和亚克隆多样性的实用框架。

Single-cell omics data-driven decoding of tumor clonal evolution through reinforcement learning

摘要

AI总结

期刊

机构

引用论文