Machine learning recognises senescence in glioblastoma and discovers senescence-inducing compounds
Notice bibliographique
Résumé
Abstract Senescence is a cell-intrinsic tumour suppressive response. A one-two-punch cancer treatment strategy aims to induce senescence in cancerous cells before removing them with a senolytic. It is important to accurately recognise senescent cells to investigate the feasibility of such a treatment strategy and identify compounds that induce senescence in cancer. We focus specifically on the terminal brain cancer glioblastoma, firstly identifying senescent glioblastoma cells with conventional stains, before training a machine learning model to distinguish senescent cells using only a DAPI nuclear stain. To demonstrate how our method can aid drug discovery, we apply our pipeline to existing glioblastoma high-throughput phenotypic drug screening imaging data to identify compounds that induce senescence in glioblastoma and verify these predictions experimentally. Author Summary Damaged cells can enter a senescent cell state, in which they do not divide, but continue to interact with the environment around them. A novel potential cancer treatment strategy is to make tumor cells senescent, before removing senescent cancer cells with a targeted drug. To investigate this treatment strategy in the brain cancer glioblastoma, it is important to be able to accurately recognise senescent glioblastoma cells. As identifying senescent cells is challenging, we create a machine learning pipeline which can detect senescent glioblastoma cells in imaging data. We show that by applying our method to existing data we can discover compounds that induce senescence in glioblastoma. We verify our predictions by testing the compounds experimentally.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».