Redian新闻
>
GENOME RES | 北大本科生一作发表论文:基于机器学习的单细胞年龄预测方法

GENOME RES | 北大本科生一作发表论文:基于机器学习的单细胞年龄预测方法

公众号新闻
伴随着现代医学技术的发展,人类的平均寿命不断延长,老龄化逐渐成为世界各国所关注的重要问题,人们迫切希望深入了解衰老机制以及发展抗衰老的新方法。以往的衰老研究主要采用生物的实足年龄(Chronological Age)代表个体衰老程度。但是,即使在年龄相仿的一群人中,一些人外表更年轻也更有活力,这意味着个体的实足年龄并不能代表其真实衰老情况,即生物学年龄(Biological Age)。另外,实足年龄也无法用于评估抗衰老方法的干预效果。因此,如何量化个体衰老是衰老研究和评估衰老干预效果的关键性问题之一。

2013年,Steve Horvath以DNA甲基化为基础成功构建了第一个“衰老时钟”。在此之后,基于甲基化的衰老量化方法逐渐被广泛应用。然而,由于衰老过程的复杂性,单一类型的衰老时钟不一定能完整刻画个体衰老程度,组织和细胞的转录组变化也是衰老的重要标志之一,提示转录组数据可能被用于衡量衰老程度。使用单细胞转录组技术对衰老问题进行探索是近年来衰老研究领域的重要方向,因此,通过构建单细胞水平的衰老时钟模型,可以让我们更精细地衡量细胞衰老程度和细胞对于抗衰老方法响应的效果和异质性。

近日,北京大学生命科学学院李程课题组与卫生勤务与血液研究所陈河兵课题组合作,在Genome Research期刊在线发表了题为A transcriptome-based single-cell biological age model and resource for tissue-specific aging measures的研究论文。该研究利用基因表达调控在衰老过程中的变化,构建了一种基于单细胞转录组数据的生物学年龄估计模型(Single-cell aging-level estimator, SCALE)。

SCALE以衰老相关基因的表达量为基础,评估单细胞的衰老水平和细胞之间的衰老差异性。研究者首先通过文献挖掘,整理了以往研究已经报道的衰老相关基因并建立了Aging Map数据库。接着对小鼠衰老细胞图谱(Tabula Muris Senis)的单细胞转录组数据进行分析,进一步筛选出组织特异性的衰老基因。基于这些衰老基因集合,通过弹性网络回归方法构建了单细胞生物学年龄估计器(SCALE)。应用于不同单细胞数据集后,SCALE 估计的生物学年龄不仅与实足年龄显著相关,也与其他衰老相关指标(如体细胞突变数目、衰老相关疾病进展等)紧密相关,证明SCALE具有在单细胞层面区分衰老状态的能力。有趣的是,研究者发现同一组织器官内的不同细胞类型往往显示出不同的衰老程度,并且不同组织器官之间也存在不完全一样的细胞类型特异性衰老模式。

SCALE方法的分析流程示意图

另外,研究者发现SCALE可以用于评估抗衰老方法的干预效果。异体共生模型(heterochronic parabiosis)和热量限制(calorie restriction)是目前在模式生物中发现的两种有效干预衰老的手段。将SCALE应用于这些手段干预前后的转录组数据,均能精准预测干预组衰老状态的改变。

SCALE与现有的同类方法相比表现出良好的性能。由于SCALE充分利用了以往研究中的先验生物学知识,不仅提高了其可解释性,而且在面对单细胞组学数据中常见的批次效应、数据稀疏等问题时,SCALE能够保持高度的稳健性。此外,SCALE也表现出较好的可扩展性,当使用人类和大鼠中的同源基因替换其所用的小鼠衰老基因集时,SCALE可被用于估计相应物种单细胞水平的生物学年龄。

综上, SCALE方法不仅可以在单细胞水平预测生物学年龄、评估抗衰老方法的干预效果,而且能识别单细胞数据中的衰老细胞群体,为衰老机制和衰老细胞清除治疗的相关研究提供启发。

北京大学元培学院2018级本科生毛澍霖和生命科学学院2016级本科生苏嘉昱是该研究的共同第一作者。北京大学生命科学学院李程研究员和卫生勤务与血液研究所陈河兵副研究员是共同通讯作者。该研究得到了卫生勤务与血液研究所的伯晓晨研究员、北京大学中国卫生发展研究中心姚尧副教授的指导和帮助。

相关资源链接:
l  Aging Map数据库(通过文献挖掘与整理的衰老相关基因集合):http://sysomics.com/AgingMap/
l  SCALE软件包:https://github.com/ChengLiLab/SCALE

l  文章链接:https://genome.cshlp.org/content/33/8/1381

来源:Bioon细胞

            

   




主编微信

商务合作,重要事宜

赵编微信(加群小助手)


注:添加微信请备注昵称+单位+研究



生命科学综合交流QQ群:681341860

微信学科群:病毒学群,神经科学群、临床医学、肿瘤学科群、硕博交流群和医药投资交流群(微信群审核要求较高,请各位添加赵编后主动备注单位研究方向)

      


微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
港中文李教授 :基于深度学习的语音情绪识别算法|收获一作论文与导师推荐信!大模型幻觉排行榜GPT-4夺冠,英伟达科学家强力打假!Meta版ChatGPT一作发长文鸣冤布里斯托大学葛教授-基于回归模型的对韩国大邱的房价预测|收获一作论文与导师推荐信!大数据时代下机器学习的新范式芝加哥大学贺教授 :基于全基因组关联(GWAS)数据的基因突变问题研究|收获一作论文与导师推荐信!NTU吕教授 :基于人工智能的自动化分拣生产线|收获一作论文与导师推荐信!ICCV 2023 最佳论文候选!北大提出UniDexGrasp++:基于几何感知课程和迭代通用-专家策略学习的灵巧手抓取算法血脉帝国理工刘教授:基于爱彼迎数据的民宿共享经济定价分析|收获一作论文与导师推荐信!研究没思路的看过来,这是可信机器学习的1000个创新idea机器学习泰斗Michael Jordan最新报告:去中心化机器学习中的契约、不确定性和激励海外名校1v1科研 基于人工智能算法的城市房价预测模型研究|收获一作论文与导师推荐信!港中文李教授1v1科研-基于AI的微生物高效分类识别方法研究|收获一作论文与导师推荐信!对机器学习感兴趣?不如先来实践一下!|《基于机器学习的智能机器狗巡检系统》Npj Comput. Mater.: 大规模电子结构计算—可迁移的机器学习加速方法《科学理解的方法论 04》曼大范教授:基于深度学习算法的有机物类别预测研究|收获一作论文与导师推荐信!海外名校1v1科研:基于深度学习的信贷违约预测算法|收获一作论文与导师推荐信!写在《带节奏的英语课堂》开讲之际英国国家机器人实验室王教授:医学成像中机器学习的有效解释性|收获一作论文与导师推荐信!Npj Comput. Mater.: 机器学习预测晶格热导率:快!准!IF=82.9!全球首个!中山大学合作在Nature Medicine顶级期刊发表论文这所985高校首次在计算机视觉领域顶级会议ICCV上发表论文!Front Med|复旦大学尤琳雅/吴劲松:合作发现胶质瘤两种单细胞亚型和肿瘤免疫逃逸新机制趣图:AI 与机器学习的区别2023第六届单细胞多组学研究与应用研讨会成功召开,助力单细胞研究领域发展!Knowledge-Based Systems 2023:基于注意力机制的图相似度学习探索偶遇班主任mRNA纳米疫苗:基于机器学习的分步构建策略 | NSR海外名校1v1科研:基于加性模型的竞技体育世界纪录进化过程的探究|收获一作论文与导师推荐信!CIKM 2023最佳应用论文:多时间尺度分布预测的用户表征学习方法复旦大学、中国科学院团队综述,化学机器学习:基础知识和应用北大本硕都卷不进三中一华了? 身边北大本硕的哥们已经在看国金光大了纽约橘子皮顺利接机李克强嘱北大本科生改论文选题:天下大事必作于细
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。