Back to search

National and Kapodistrian University of Athens

Integrating Spatial Transcriptomics in single cell resolution with Explainable Machine Learning for Enhanced Insights in Lung cancer Biology.

Abstract

dc:description

Ασθένειες όπως ο καρκίνος ή οι αυτοάνοσες διαταραχές, έχουν μοριακό υπόβαθρο. Ο ανθρώπινος οργανισμός αποτελείται από κύτταρα τα οποία παρά το πανομοιότυπο γενετικό τους υλικό, κατατάσσονται σε διαφορετικές λειτουργικές ομάδες με βάση το προφίλ γονιδιακής έκφρασης τους. Συνεπώς, μεταλλάξεις σε σημαντικά γονίδια μπορούν να διαταράξουν τη φυσιολογική συμπεριφορά των κυττάρων και να οδηγήσουν στην εμφάνιση καρκίνου. Αξιόπιστα αναλυτικά εργαλεία που μπορούν να συμβάλλουν στην ταχεία διάγνωση ή στη θεραπεία ,με τον εντοπισμό νέων γονιδίων-στόχων, είναι αναγκαία για την εξέλιξη της εξατομικευμένης ιατρικής (personalized medicine). Για το σκοπό αυτό, spatially resolved transcriptomics (SRT) δεδομένα σε συνδυασμό με explainable Machine Learning (ML) μεθόδους, μπορούν να συντείνουν στην αποκάλυψη του μοριακού υποβάθρου. Οι SRT τεχνολογίες παρέχουν τη μεταγραφική δραστηριότητα και τη θέσης της στον ιστό ενώ, εκτός από την πρόσθετη χωρική τους διάσταση, μοιράζονται κοινά χαρακτηριστικά και προβλήματα με τις μεθόδους scRNA-seq όπως, η κατηγοριοποίηση των κυττάρων σε κυτταρικούς τύπους (cell type annotation) λόγω, της προσέγγισης marker-gene annotation, που χρησιμοποιείται ευρέως. Έτσι, η ενσωμάτωση των δεδομένων SRT με ML, παρά τις μεγάλες δυνατότητες που έχει να συμβάλλει στην εξατομικευμένη ιατρική, αντιμετωπίζει την εγγενή αβεβαιότητα του τυπικού pipeline, η οποία συνιστά τροχοπέδη στη μετάβαση μιας ανακάλυψης ή ενός αναλυτικού εργαλείου από τη θεωρητική έρευνα στην κλινική εφαρμογή. Για την εφαρμογή μιας μεθόδου στο σύστημα υγείας, η μέθοδος αυτή, πρέπει πρώτα να εδραιώσει την αξιοπιστία της, γεγονός που περιλαμβάνει τον εντοπισμό πιθανής αβεβαιότητας στην μεθοδολογία, την εφαρμογή των απαραίτητων βελτιώσεων και την ενσωμάτωση του explainable Machine Learning. Στην παρούσα διπλωματική εργασία, προσπαθούμε να αντιμετωπίσουμε ορισμένα από αυτά τα σημεία. Συγκεκριμένα, ένας κεντρικός στόχος της παρούσας μελέτης είναι να παρατηρηθεί η αβεβαιότητα που ενυπάρχει στην προσέγγιση του ,golden standard, marker-gene annotation. Έτσι, ο στόχος μας είναι να εκπαιδεύσουμε μοντέλα Μηχανικής Μάθησης (Machine Learning), για την ταξινόμηση κυττάρων σε κυτταρικούς τύπους, με την ενσωμάτωση δεδομένων γονιδιακής έκφρασης SRT ,που βρίσκονται σε single cell resolution, τόσο με την τυπική προσέγγιση marker-gene approach, χρησιμοποιώντας το πακέτο Seurat, όσο και με μια βελτιωμένη έκδοση που παρέχεται από τη Nanostring. Με βάση τη σύγκριση επίδοσης μεταξύ των μοντέλων που εκπαιδεύονται χρησιμοποιώντας αυτές τις δύο διαφορετικές μεθόδους κυτταρικής ταξινόμησης (cell labeling), ελπίζουμε να αναδείξουμε την υπάρχουσα αβεβαιότητα που σχετίζεται με τη τυπική προσέγγιση του annotation. Το δεύτερο μέρος της παρούσας διπλωματικής, επικεντρώνεται στην αποκάλυψη βιολογικών πληροφοριών, κυρίως όσον αφορά τις κυτταρικές αλληλεπιδράσεις, οι οποίες θα μπορούσαν να συμβάλλουν στον τομέα της εξατομικευμένης ιατρικής αλλά και να συντείνουν σε μια πιο βελτιωμένη εκδοχή του annotation. Ως εκ τούτου, αποφασίσαμε να χρησιμοποιήσουμε την Shannon entropy, για τον αυτόματο εντοπισμό ορίων διαφορετικών κυτταρικών ομάδων, σε μια προσπάθεια αναζήτησης διαφορών μεταξύ ορίων και μη ορίων ως προς το misclassification ratio. Τα αποτελέσματα για το πρώτο μέρος της ανάλυσης έδειξαν, με βάση unseen data, σημαντική πτώση στην επίδοση των Seurat labels κατά περίπου 28%, αναδεικνύοντας την εγγενή αβεβαιότητα του golden standard annotation approach. Το δεύτερο μέρος της ανάλυσης, παρουσίασε τα όρια των κυτταρικών τύπων και των niches ως καλά καθορισμένα ενώ, παρατηρήθηκαν υψηλότερα ποσοστά misclassification στις περιοχές stroma και myeloid-enriched stroma, ιδιαίτερα κοντά στα tumour stroma boundaries αλλά και εντός αυτών με βάση ανάλυση μικρότερου grid. Το γεγονός αυτό υποδηλώνει, ότι το υψηλότερο misclassification και οι αλλαγές στη γονιδιακή έκφραση μπορεί να συνδέονται με την επίδραση του όγκου στα κοντινά κύτταρα ή στις δομικές περιοχές που εμπλέκονται στην άμυνα. Αυτές οι παρατηρήσεις αποκαλύπτουν τη δυνατότητα της μεθόδου μας, να εξάγει βιολογικές γνώσεις από τα δεδομένα SRT και να αξιοποιήσει κατάλληλα το explainable ML για τη διερεύνηση του μικροπεριβάλλοντος του όγκου.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Μανουσάκη Χάρις
  • Manousaki Charis

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3419656

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Μανουσάκη Χάρις; Manousaki Charis. Integrating Spatial Transcriptomics in single cell resolution with Explainable Machine Learning for Enhanced Insights in Lung cancer Biology.. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3419656