申请/专利权人：四川大学华西医院

申请日：2024-02-28

公开（公告）日：2024-04-30

公开（公告）号：CN117789828B

主分类号：G16B30/00

分类号：G16B30/00;G16B40/00;G06F18/24;G06N3/0455

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明涉及基于单细胞测序及深度学习技术的抗衰老靶点检测系统，属于生物技术领域。本发明抗衰老靶点检测系统是基于单细胞测序结合深度学习模型，筛选出抗衰老靶点基因。本发明利用深度学习技术构建衰老细胞与免疫细胞相互作用网络，再利用线性模型进行验证，提高了系统的可靠性；不仅可以用于抗衰老靶点的检测，也可以扩展到其他疾病以及数据模态中，为研究衰老相关基因的功能提供一个独特的视角，并为识别衰老过程中SASP与免疫微环境之间的潜在相互作用提供了一个强大的工具。

主权项：1.一种抗衰老靶点检测系统，其特征在于：它是基于单细胞测序结合深度学习模型，筛选出抗衰老靶点基因；它包含如下功能模块：a、数据采集处理模块；b、数据分析模块；c、构建crosstalkBERT模型、IRES模型，筛选抗衰老靶点基因；其中，a步骤所述的数据采集处理模块，包括如下步骤：S1：收集单细胞转录组scRNA-seq数据，对单细胞转录组数据进行质量控制和预处理：所述的细胞是在衰老过程中免疫细胞具有调控免疫弹性的潜在特征细胞；S2：对S1步骤中的细胞通过衰老细胞的标记基因打分，鉴定组织内的衰老细胞；S3：将S2步骤中鉴定的衰老细胞，通过配受体基因的表达，筛选出与免疫细胞有相互作用的衰老细胞；S4：确定衰老细胞分泌的SASP，收集SASP扰动-响应数据集，并建立SASP-基因响应矩阵；b步骤所述的数据分析模块，包括：S5：通过岭回归模型对SASP在三种组织内的免疫抑制活性进行打分，并建立SASP活性矩阵；并对SASP活性矩阵的拟合准确性进行验证评估；其中，c步骤所述的构建crosstalkBERT模型的方法是：1）数据预处理：将单细胞转录组数据与SASP因子活性矩阵整合为交互节点特征表示；2）从STRING数据库中提取基因-基因之间的相互作用关系，构建基因-基因关系知识图谱；3）利用图注意力网络处理知识图谱，为每个基因节点学习embedding表示；4）预训练：将交互特征嵌入结果输入预训练模型，进行MLM预训练；5）微调：原始预训练模型中的参数都冻结不进行更新，仅对新增的分类头部层的参数进行更新，以预测免疫细胞类型下游任务来微调网络模型，当预测的免疫细胞类型与标签之间的损失函数收敛时，判定模型的性能达到最优；6）测试：在独立测试集上测评微调后模型的免疫细胞分类性能；7）输出相互作用网络：输出attention矩阵，可视化基因-基因、SASP-SASP以及基因-SASP的相互作用网络结构，识别影响免疫细胞的重要信号；c步骤所述的IRES模型的建立方法为：1）从数据集中提取T细胞、NK细胞和单核细胞表达数据，并构建这三类免疫细胞的表达矩阵；2）从KEGG、GO和MSigDB多个基因功能注释库中收集了T细胞、NK细胞和单核细胞活化相关基因，构建二值特征向量，使用线性回归模型，将特征向量与细胞的整体基因表达矩阵作为输入，计算每个细胞的活化水平分数；对各个SASP活性与每个细胞的活化水平进行Pearson相关性分析，筛选满足相关系数的SASP为相应免疫细胞类型的抑制SASP；3）使用线性交互回归模型识别免疫弹性标记基因，对每个抑制SASP，建立的线性交互回归模型公式如下： （4）其中：a是SASP活性项对应的回归系数，b是基因表达项对应的回归系数，c是SASP-基因交互项对应的回归系数，d是回归方程的截距项，G代表基因在免疫细胞中的表达水平；a，b，c，d这四个参数都将通过最小二乘法估计得到数值，其值的大小和显著性将反映不同解释变量对响应变量的影响；4结果输出：对每个SASP-基因交互项系数，即c值进行t检验，选择贡献显著（p值0.05）的基因作为SASP抑制基因。

全文数据：

权利要求：

百度查询： 四川大学华西医院 基于单细胞测序及深度学习技术的抗衰老靶点检测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD