CNN-based learning of single-cell transcriptomes reveals a blood-detectable multi-cancer signature of brain metastasis
Notice bibliographique
Résumé
Abstract Brain metastasis (BrM) is a serious complication of advanced cancers and remains difficult to predict before clinical symptoms appear. To investigate shared transcriptional features of BrM across tumour types, we integrated single-cell RNA sequencing (scRNA-seq) data from malignant epithelial cells derived from six carcinoma types, including lung, breast, colorectal, renal, prostate, and melanoma. We applied ScaiVision, a supervised representation learning method, to classify tumour samples based on BrM status. The models achieved high predictive accuracy (area under the ROC curve > 0.90) across all six cancer types. This analysis identified a consistent multi-cancer gene expression signature associated with BrM, defined at single-cell resolution. To evaluate the clinical relevance of this signature, we assessed its presence in tumour-educated platelets (TEPs) from blood samples of patients with and without BrM. The signature was detectable in platelet RNA and distinguished patients with BrM from those without, indicating that features of the BrM-associated expression program are reflected in blood-derived material. These findings demonstrate that a transcriptional signature of brain metastasis can be identified across multiple tumour types using scRNA-seq and neural network-based analysis. The detectability of this signature in TEPs supports its relevance in a non-invasive context and provides a basis for further investigation into its utility for BrM risk assessment.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».