Stepwise-edited, human melanoma models reveal mutations’ effect on tumor and microenvironment (science.org)
Aviv Regev group
2022. Science
1. Barcoding + pooling -> scRNA-seq ;
2. Genotype 에 따른 cell state progression.
3. cNMF 로 expression program 을 7개로 나눔.
4. 각 cell state 별로 program usage , pseudobulk expression, 그에 따른 GSEA 결과.
Tumor microenvironment 분석을 위해 mice model 에서 생성된 tumor 를 가지고 와서 sngle cell isolation 후 stromal cell 에 대한 분석을 진행.
마지막으로 DL 모델을 적용시켜서 실제로 genotype 이 histopathological image 를 통해서만 예측될 수 있는가를 분석 진행. genotype과 tumor histology 간의 관계를 보고 싶어서.
Dataset
- Sample : hematoxylin and eosin (H&E)-stained tumor sections of our mutant melanocytes grown as in vivo mouse
- Train (N=56), Test (N=94)
- Label : Genotypes
The model classified 76% of sections and had high accuracy [Fig. 6C, area under the curve (AUC) range 0.89 to 1.00]
Null model (AUC 0.5 와 비교해서 좋은 성능을 얻었다고 함. mice data 로 했을 때.)
Figure E 는 실제 환자의 데이터로 예측 진행한 결과인데,
결과가 아주 좋지는 않았지만 환자 라벨링이 잘못된 것 일수도 있고, 모두가 특정 muational process 에 의해서 melanmoma 가 진행되는 것도 아닐것이기 때문에... 그래도 Wnt 와 OxPhos prediction 은 잘 나왔다고 함.
Discussion
여기서도 여러가지 mutation 을 한꺼번에 봐야 하는 중요한 이유를 설명하는데, 이는 cancer 의 특성 상 하나의 mutation 이 drive 하는 경우가 많지 않다는 것. 결국에는 여러 mutation 에 대한 systematic 분석이 필요하다는 것이고, 여기서는 여러 mutation 들을 genome edit 을 통해 만들어가며 cell -> mouse model -> in-vitro human application 까지 가는 것을 보여주고 있음.
1) Normal cell -> induced specific cell state -> to mouse cancer model -> sc analysis
2) Mouse cancer model -> tumor isolation -> tumor cell decomposition -> stromal cell -> tumor microenvironment analysis
3) Mouse cancer model -> tumor isolation-> tumor histopathological image -> Deep learning modeling (included pre-trained top-tier image classification model) -> Tested on real-life human sample
로 이어지는 논문.
댓글