浙江
单细胞测序能刻画肿瘤异质性，却难以把细胞状态与患者级表型稳定对应，尤其在缺少细胞级注释时，计算衔接困难。2026年9月14日，腾讯AI for Life Sciences Lab姚建华团队在Nature Communications发表题为《scTransMIL bridges patient-level disease states and single-cell transcriptomics for cancer screening and heterogeneity inference》的研究，他们提出scTransMIL，把患者样本看作包含多个细胞的包，用Transformer多实例学习连接单细胞转录组与样本级癌症标签，并完成癌症筛查和异质性推断。
scTransMIL采用全转录组秩值编码，把细胞基因表达排成序列，用6层Transformer提取初始嵌入，再通过门控编码器过滤与包标签无关的信息，输出细胞肿瘤分数和门控嵌入。包聚合器按肿瘤分数加权整合细胞，先判断样本是肿瘤还是正常，若为肿瘤再预测具体癌型，训练时联合包级交叉熵和自适应聚类损失。研究团队在104个数据集、1563个样本、约400万细胞和30种癌症上评估，按供者划分训练、验证和测试集并重复7次，scTransMIL在准确率、AUC和F1上优于KIDA、DEGAS、scIDST及scVI+MIL等基线，数据量增加时性能提升，单包推理约245秒，低于DEGAS的720秒。
甲状腺癌GSE184362中，局部肿瘤信号容易被正常微环境稀释，KIDA等伪bulk方法分数偏低，DEGAS和scIDST也难区分早期信号，scTransMIL把患者5癌旁样本判为阳性，预测分数0.64，高肿瘤分数集中在可能癌前病变的甲状腺滤泡上皮细胞。癌症类型预测中，scTransMIL能匹配原发和转移样本癌型，在外部BRCA数据集保持较高准确率，单细胞UMAP显示肿瘤分数与恶性注释对应较好。急性淋巴细胞白血病分析中，scTransMIL肿瘤分数与CNV推断的恶性B细胞一致，注意力机制找回CD79A、PIMT和BLK，传统Wilcoxon差异分析漏掉BLK。
未纳入泛癌训练的急性髓系白血病数据上，研究团队比较不微调、只微调包聚合器以及微调最后两个Transformer块和包聚合器三种策略，后一种在少量标签下准确率和F1更优，10例肿瘤和3例正常训练样本时性能接近平台。微调后实例嵌入重建造血干细胞到单核细胞的连续分化轨迹，肿瘤分数与恶性注释更一致，研究团队识别出6个AML恶性亚型，覆盖HSC样、GMP样到Mono样状态，纵向样本显示治疗中肿瘤负荷和亚型组成变化。671例bulk AML生存分析中，HSC样亚型预后较差，GMP样亚型较好，亚型特异基因富集到免疫逃逸和分化通路。
READING
BioPeers
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
