夜雨聆风
前段时间给大家分享了单细胞新算法Scissor，Scissor能够提取bulk转录组表型信息，鉴别单细胞亚群，通过计算每个细胞与bulk样本的相关性，筛选与表型最相关的亚群。
今天给大家带来另一个算法SIDISH，SIDISH去年底首发于Nature Communication（IF15.7），同样是整合单细胞和bulk转录组数据，通过变分自编码器 (VAE)、深度Cox回归和迁移学习，识别与不良预后相关的高危细胞亚群，利用计算机模拟扰动筛选治疗靶点。
SIDISH锁定亚群可以进一步发现生存相关标志物，且性能优于Scissor（具体大家可以阅读原文）。目前做标志物筛选，通常是两种组学配合相互验证（bulk筛选＋单细胞定位\单细胞筛选＋bulk队列验证），分析表型-细胞群关联的文章还比较少，大家手里有题的话可以加上提分，标志物发文量大，创新点至关重要，不确定具体怎么使用可以call云生信，技术团队为大家个性化定制思路与分析，加分点给到，大家尽量拿下！
定制生信分析
生信云服务器
下面给大家展示一个使用scissor算法的发文，来自Phytomedicine（IF8.3），文章通过NHANES数据→机器学习＋SHAP分析→孟德尔随机化→单细胞scissor算法思路完成了槲皮素预防Sarcopenia（肌肉减少症）的关键靶点筛选与机制验证，思路相通大家一看就懂。
方法思路
1.整合NHANES（2017–2018）人群数据，排除各项因素干扰，分析黄酮类化合物（槲皮素所属类别）摄入量与Sarcopenia之间的关联。
2.通过LASSO等机器学习算法，筛选关键影响因素，构建模型，确定关键特征并通过SHAP解释模型贡献度。
3.从药物-基因相互作用数据库（DGIdb）提取黄酮–基因对应关系，整合GWAS、eQTL数据进行SMR分析筛选与Sarcopenia显著关联的因果基因。
4.通过人、小鼠的bulk转录组与单细胞数据，验证关键靶点的表达与富集通路。
5.通过细胞实验对以上预测结果进行验证。
主要结果
真实数据证实Sarcopenia发病增多与黄酮类和染木素类摄入量增加有关。黄酮类中槲皮素贡献最大，可以降低Sarcopenia风险。低剂量染料木素增加Sarcopenia风险，高剂量起保护作用。
SMR选出24个关键基因，对应11种药物，与SHAP结果整合，锁定木犀草素与槲皮素共13个核心基因，其中PRKCA是核心基因。PRKCA在人转录组中显著下调，在小鼠转录组中显著上调。
单细胞分析鉴定细胞亚群，Scissor算法鉴定肌纤维是槲皮素的主要响应细胞，槲皮素响应细胞中PRKCA呈特异性高表达。
根据实验结果，槲皮素通过上调PRKCA表达发挥作用，使用PRKCA抑制剂Go6976可逆转进程。
师妹笔记
由于算法新发，当前的生信相关发文并不是很多，所以大家可以先看一下scissor算法的发文做参考，这篇文章虽然不是筛选预后标志物，不过思路都是相通的，这种明确作用靶点机制的思路也是不错的选择。关于SIDISH筛选标志物在胰腺癌 (PDAC)、乳腺癌 (BRCA)和肺腺癌 (LUAD)等数据中都有验证，这里就不多做举例了，大家感兴趣的话，就来滴滴云生信详细了解吧~
E
N
D
定制生信分析
课题思路设计
生信云服务器
