今天分享的是由俄亥俄州立大学的研究人员于今年发表在Trends Pharmacol Sci上的一篇题为“Single-Cell Techniques and Deep Learning in Predicting Drug Response.”的综述。主要回顾了单细胞测序与深度学习在药物发现中对于研究药物响应的应用，以及两者结合未来对药物发现可能会起到的作用。


单细胞技术识别异质性对耐药性的影响

从单细胞数据推断出的细胞异质性可以极大地促进药物敏感性的准确预测，并有助于组合药物的设计。尽管这仍然是一种相对较新的技术，但研究人员正在越来越多地用单细胞技术来研究异质性疾病。这种趋势反映了单细胞测序能够捕获异质亚群的基因组和转录状态中的细微差异，而传统测序仅能产生总体细胞特征的总估算值。此外，单细胞技术提供的高分辨率数据使研究人员可以利用单细胞测序来分别描述肿瘤亚群内细胞的基因组和转录组异质性。从scRNA-seq谱图中鉴定出的基因子网与患者的存活率和对癌症的药物反应高度相关。表2列出了现有单细胞技术的最新应用清单。

异种肿瘤亚群的基因组和转录组谱的变异性阻止了癌症患者有效药物方案的发展。大多数针对性的癌症疗法和药物，在患者中表现出了不同的反应，从而导致低治愈率和高复发率。但是，不可能在体内进行实验性测试和验证药物反应。因此，如何在计算机模拟中准确有效地评估药物反应对于药物开发至关重要。通过训练和应用DL模型，科学家可以迅速预测新疗法的潜在药物靶标，在数百万种条件下模拟药物反应，并发现现有药物的新用途。我们已经审查了六种DL模型类型，并总结了基于DL的工具在药物发现和预测药物反应中的应用。使用这些DL模型，研究人员成功地提高了他们的预测准确性。

但是，这种DL模型精度受到了常规批量测序方法生成的数据分辨率的限制。减轻这种局限性的一种方法是向单细胞测序技术过度。单细胞技术全面分析了癌细胞的异质性，从而确定了靶向治疗方案并评估了耐药性的风险。由于单细胞数据的高维度和大样本量，DL模型自然很适合单细胞分析。但是，目前，基准的，与药物相关的单细胞数据的有限数量极大地限制了DL模型的应用能力。我们建议，可以通过从批量测序数据中学习药物靶标信息，进一步通过迁移学习来实现单细胞信息相关的药物反应预测。我们认为，尽管还有很长的路要走，但DL和单细胞技术的结合最终将重塑药物开发和靶向疗法的实施方式。
https://mp.weixin.qq.com/s/L5OJfriBgMLX4VSfUInJYw
--
FROM 59.41.66.*