暨南大学开发深度学习模型MIST赋能T细胞转录组和受体组库融合分析

• 全文链接

关键词：

来源：

Science Advances

全文链接：

//agri.nais.net.cn/topic/downloadFile/4b0206b6-aa32-4917-93f4-a94cd3232514

来源地址：

http://doi.org/10.1126/sciadv.adr7134

资源所属：

农业生物技术专题

类型：

学术文献

语种：

英语

原文发布日期：

2025-04-04

摘要：

2025年4月4日，暨南大学基础医学与公共卫生学院罗钧洪教授团队在 Science Advances期刊上发表题为MIST: an interpretable and flexible deep learning framework for single-T cell transcriptome and receptor analysis的研究论文。该研究基于变分自编码器（Variational Autoencoder）深度学习框架开发了人工智能模型MIST（Multi-Insight for T cell），针对scRNA-seq与scTCR-seq数据的联合分析，创新性地构建了跨组学数据深度融合、可解释性和适配性强的分析框架。MIST通过独立的转录组、TCR序列和联合潜变量空间三层嵌入，精准解析了T细胞的功能状态、克隆扩增模式及抗原特异性，克服了现有方法在组学数据整合和生物学可解释性方面的局限，为深入解析免疫系统提供了强大工具。研究团队利用MIST对多种T细胞数据集进行了分析，并在肿瘤免疫领域取得重要发现。特别是在肺癌抗PD-1治疗相关研究中，MIST成功解析了CXCL13+CD8+ T细胞的异质性及其动态变化，揭示该亚群在免疫治疗应答中的关键作用。MIST不仅能精准表征T细胞功能表型，还能用于探索免疫治疗的潜在生物学机制，有望为基础免疫学研究和临床免疫治疗优化提供有力支持。MIST的成功开发，为单细胞免疫组学研究提供了高效、灵活、可解释性强的计算工具和分析范式，为推动T细胞免疫学研究进入人工智能驱动的新阶段做出贡献。