DeepScence AI-Tool kartiert seneszente Zellen mit beispielloser Genauigkeit
Eine neue Deep-Learning-Methode identifiziert alternde „Zombie"-Zellen in Einzelzell- und räumlichen Transkriptomikdaten und übertrifft dabei alle bestehenden Ansätze.
Zusammenfassung
Forscher der Duke University entwickelten DeepScence, ein unüberwachtes Deep-Learning-Tool, das auf einer Autoencoder-Architektur aufbaut und der Erkennung seneszenter Zellen in Single-Cell-RNA-Sequenzierungs- und räumlichen Transkriptomikdaten dient. Das Team erstellte zunächst CoreScence, einen kuratierten Gensatz aus 39 Genen, die konsistent in mindestens fünf veröffentlichten Seneszenz-Gen-Datenbanken dokumentiert sind – womit den erheblichen Widersprüchen zwischen bestehenden Gensätzen begegnet wird. DeepScence verwendet CoreScence als Eingabe und erlernt komplexe, nichtlineare Genexpessionsmuster, um Zellen auf einem Seneszenz-Kontinuum zu bewerten. In Tests mit In-vitro- und In-vivo-Datensätzen von mehreren Plattformen übertraf DeepScence bestehende Scoring-Methoden sowie das überwachte SVM-basierte Tool SenCID deutlich, erzielte AUROCs von über 0,9 in allen Datensätzen und zeigte eine gute Generalisierbarkeit über Spezies, Gewebe und Seneszenz-Induktionskontexte hinweg.
Detaillierte Zusammenfassung
Zelluläre Seneszenz – der Zustand, in dem Zellen dauerhaft aufhören sich zu teilen, aber metabolisch aktiv bleiben – ist ein zentraler Treiber des Alterns und altersbedingter Erkrankungen wie Osteoarthritis, pulmonaler Fibrose und Alzheimer. Da seneszente Zellen (SnCs) in Geweben selten und molekular heterogen sind, ist ihre zuverlässige Identifizierung in genomischen Daten eine große Herausforderung geblieben. Frühere Methoden stützten sich entweder auf einzelne Markergene (anfällig für Dropout-Rauschen), auf Gensatz-Scoring-Ansätze, die nichtlineare Beziehungen außer Acht lassen, oder auf überwachtes maschinelles Lernen, das ausschließlich an In-vitro-Bulk-RNA-seq-Daten trainiert wurde und damit eine begrenzte In-vivo-Generalisierbarkeit aufweist.
Die Forscher begannen damit, neun veröffentlichte Seneszenz-Gensätze (SnGs) zu untersuchen und dokumentierten eine beunruhigende Inkonsistenz: Die Jaccard-Überlappungsindizes zwischen den Paaren lagen in nahezu allen Fällen unter 0,2; 69 % der 2.966 identifizierten Gene kamen nur in einem einzigen Gensatz vor, und lediglich 39 Gene (1,3 %) wurden von fünf oder mehr Sätzen erfasst. Um dies zu beheben, konstruierten sie CoreScence – einen Konsens-Gensatz dieser 39 konsistent berichteten Gene, einschließlich kanonischer Marker wie CDKN1A (p21) und CDKN2A (p16). Die Validierung in Bulk-RNA-seq-Datensätzen bestätigte, dass Gene, die in mehr Gensätzen vertreten sind, eine stärkere differentielle Expression zwischen SnCs und Nicht-SnCs sowie stärkere Assoziationen mit dem Spenderalter in GTEx-Daten aufweisen.
Aufbauend auf CoreScence verwendet DeepScence einen Zero-Inflated Negative Binomial (ZINB)-Autoencoder mit einer zweineuronigen Engpass-Schicht: Ein Neuron erfasst seneszenzbedingte Signale, das andere unverwandte Variationen. Dieses Design isoliert Seneszenzinformationen ohne überwachte Labels und macht den Ansatz damit breit anwendbar. Der resultierende kontinuierliche Seneszenz-Score kann optional über ein permutationsbasiertes Verfahren binarisiert werden.
Über sechs In-vitro-scRNA-seq-Datensätze hinweg erzielte DeepScence AUROCs von über 0,9 in allen Datensätzen und übertraf SenCID, AUCell, ssGSEA sowie Einzelmarker-Ansätze. Entscheidend ist, dass DeepScence auch bei In-vivo-Datensätzen hervorragende Leistungen zeigte – während SenCID, das ausschließlich an In-vitro-Bulk-Daten trainiert wurde, deutlich schlechtere Ergebnisse lieferte. Die Methode zeigte zudem eine starke Generalisierbarkeit auf räumliche Transkriptomik-Daten von Plattformen wie 10× Visium und 10× Xenium und lokalisierte SnC-angereicherte Regionen korrekt, konsistent mit histologischen Annotationen. DeepScence generalisierte außerdem über Maus- und menschliche Gewebe sowie über mehrere Seneszenz-Induktionskontexte hinweg (replikative, Onkogen-induzierte, strahleninduzierte und medikamenteninduzierte Seneszenz).
Diese Ergebnisse etablieren DeepScence als ein breit anwendbares, plattformunabhängiges Werkzeug zur Untersuchung, wo und wie seneszente Zellen sich in alternden Geweben und Krankheitszuständen ansammeln. Ein wichtiger Vorbehalt besteht darin, dass Ground-Truth-Seneszenz-Labels in vivo weiterhin unvollkommen sind und der CoreScence-Gensatz, obwohl robust, möglicherweise nicht alle gewebespezifischen Seneszenzprogramme erfasst. Das Tool ist als Open-Source-Software verfügbar.
Wichtigste Erkenntnisse
- Only 39 of 2,966 senescence-related genes were shared across five or more published gene sets, revealing massive inconsistency in the field.
- CoreScence, a 39-gene consensus set, showed stronger differential expression and age-association signals than genes from any single gene set.
- DeepScence achieved AUROCs >0.9 across all six in vitro scRNA-seq datasets, outperforming SenCID, AUCell, ssGSEA, and single-marker methods.
- Unlike SenCID, DeepScence generalized effectively to in vivo datasets and spatial transcriptomics platforms including 10× Visium and Xenium.
- DeepScence correctly mapped senescent cell-enriched spatial regions across tissues, species, and multiple senescence induction contexts.
Methodik
DeepScence ist ein unüberwachter ZINB-Autoencoder, der auf dem 39-Gen-CoreScence-Set trainiert und anhand von sechs In-vitro- sowie mehreren In-vivo-scRNA-seq-Datensätzen sowie räumlichen Transkriptomikdaten der 10× Visium- und Xenium-Plattformen evaluiert wurde. Die Leistung wurde anhand von AUROC, Genauigkeit und F1-Score gemessen, wobei gepaarte t-Tests DeepScence mit konkurrierenden Methoden verglichen.
Studienlimitierungen
Die Ground-Truth-Seneszenz-Labels in In-vivo-Datensätzen sind unvollkommen, da kein perfekter einheitlicher Goldstandard für die Identität seneszenter Zellen (SnC) in komplexen Geweben existiert. Der 39-Gen-Konsensus-Satz von CoreScence erfasst möglicherweise keine gewebe- oder kontextspezifischen Seneszenzprogramme, die nicht über mehrere veröffentlichte Gensätze hinweg abgebildet werden. Das Modell wurde in erster Linie anhand von Human- und Mausdaten validiert; die Übertragbarkeit auf andere Spezies oder stark fragmentierte ST-Plattformen erfordert weitere Tests.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: