Abstract 3536: Paracell: A high throughput, deep learning-based pipeline for single-cell phenotypic profiling
Notice bibliographique
Résumé
Abstract Variants of uncertain significance constitute the vast majority of missense variants, hampering the utility of genetic testing, despite its remarkable impacts on clinical diagnosis and decision-making. Although the sequencing and interpretation of genetic variants have been drastically improved in recent years, only about 2% of novel missense variants are currently clinically actionable. Therefore, a robust and scalable pipeline is desperately needed to provide functional evidence critical for variant interpretation. In this work, we demonstrate Paracell, a deep learning-based phenotypic profiling pipeline that leverages subcellular segmentation, high-dimensional single-cell phenotyping, and machine learning to classify the functional impact of variants. Paracell captures heterogeneity in cellular phenotypes and protein colocalization between variants and their signaling partners, as well as subcellular markers, and enables analysis at a single-cell resolution. Using a classification model trained on single-cell features extracted by Paracell, we were able to accurately classify cells from loss-of-function (LoF) variants based on their impact. After aggregating cellular profiles on a variant level, our pipeline was able to distinguish LoF variants from functional ones with high sensitivity and specificity. Our work demonstrates that Paracell is a robust and scalable method that can sensitively detect differences in single-cell phenotypic profiles. The systematic application of this pipeline will provide valuable functional evidence for variant interpretation, enhancing their clinical utility and accelerating personalized cancer care. Citation Format: David L. Nguyen, Jesse T. Chao. Paracell: A high throughput, deep learning-based pipeline for single-cell phenotypic profiling [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 1 (Regular Abstracts); 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84(6_Suppl):Abstract nr 3536.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 tête enseignante, 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 ».