xCell 2.0: robust algorithm for cell type proportion estimation predicts response to immune checkpoint blockade
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Accurate estimation of cell type proportions from bulk gene expression data is essential for understanding the cellular heterogeneity underlying complex tissues and diseases. Here, we introduce xCell 2.0, an advanced version of the xCell algorithm, featuring a training function that permits the utilization of any reference dataset. xCell 2.0 generates cell type gene signatures using an improved methodology, including automated handling of cell type dependencies and more robust signature generation. RESULTS: We benchmark xCell 2.0 against eleven popular deconvolution methods using nine human and mouse reference sets and 26 validation datasets, encompassing 1711 samples and 67 cell types. Additionally, we validate xCell 2.0 using the independent Deconvolution DREAM Challenge dataset. xCell 2.0 outperforms all other tested methods across distinct reference datasets, demonstrating superior accuracy and consistency across diverse biological contexts. xCell 2.0 also shows the best performance in minimizing spillover effects between related cell types. In a test example of pan-cancer immune cell checkpoint blockage response prediction, xCell 2.0-derived TME features significantly improve prediction accuracy compared to models using only cancer type and treatment information, and outperformed other deconvolution methods and established prediction scores. CONCLUSIONS: xCell 2.0 is a versatile and robust tool for cell type deconvolution that maintains high performance across various reference types and biological contexts. It is available both via a locally hosted web application and as a Bioconductor-compatible package, equipped with a large collection of pre-trained cell type signatures for human and mouse research.
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.
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 | 0,000 | 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 | 0,000 |
| 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 découle