Revealing dynamic temporal regulatory networks driving cancer cell state plasticity with neural ODE-based optimal transport
Notice bibliographique
Résumé
Abstract Despite advances in single-cell technologies and temporal sampling, the seamless connection of cell states over time and the inference of gene-gene relationships driving cancer cell state remains a formidable challenge. We present Cflows, a framework that combines neural ordinary differential equation network designed to unravel continuous cellular dynamics from timelapsed scRNAseq data with causality analysis to learn gene regulatory networks underlying cell state changes. When applied to a novel scRNAseq data from breast cancer in vitro models, we trace cell states back to their origins, allowing us to refine a marker profile for cancer stem cells (CSCs), and compute rich and complex gene-gene networks that drive pathogenic trajectories forward. Our comprehensive temporal regulatory networks reveal the dynamic transitions along the epithelial-to-mesenchymal (EMT) and the mesenchymal-to-epithelial (MET) trajectories. Newly, we identify estrogen-related receptor alpha (ESRRA) as a critical mediator of CSC plasticity and MET cell fate decisions. We extend Cflows to an in vivo xenograft model, demonstrating its potential for elucidating trajectories governing primary tumor metastasis to the lung. In summary, Cflows is an innovative algorithm that uncovers temporal molecular programs within dynamic cell systems from static single-cell data and has helped identify key drivers and transcriptional networks underlying cancer plasticity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».