¹Кафедра математики, Сиккимский университет, Гангток, Сикким, Индия
²Кафедра гематологии, Детская исследовательская больница Святого Иуды, Мемфис, Теннесси, США
³Институт теоретической и экспериментальной биофизики, Пущино, Россия

Аннотация. Исследования рака достигли революционных успехов в области секвенирования РНК отдельных клеток, однако сохраняются трудности с точной классификацией опухолей со схожими профилями экспрессии генов. Для решения этой проблемы мы разработали интегрированную вычислительную платформу, использующую данные секвенирования РНК отдельных клеток из базы данных 10x Genomics, математические методы анализа и кластеризацию на основе метода Сёра для классификации и прогнозирования типов рака. Ключевым методологическим новшеством является применение математического подхода, использующего матрицу расстояний Хаусдорфа и анализ норм в диапазоне порогов корреляции генов. Генерируя графики с накоплением рассчитанных норм, метод фиксирует четкие тенденции, различающие схожие и различные типы рака, тем самым обеспечивая эффективную классификацию и прогнозирование. Ключевые результаты включают в себя высокую точность классификации для рака молочной железы и рака легких, полученную на основе динамического анализа генных сетей, в то время как для колоректального рака и рака яичников характерны трудности, связанные с более высокой внутриопухолевой гетерогенностью. Наши результаты выявили уникальные паттерны норм, отражающие различные транскрипционные архитектуры, включая динамические иммунные ландшафты при раке молочной железы и линейную транскрипционную прогрессию при раке легких. Валидация на независимых наборах данных подтвердила надежность метода при категоризации данных о ранее не наблюдавшихся раковых заболеваниях, обеспечивая статистическую достоверность классификаций рака молочной железы и лёгких. Помимо классификации, исследование расширяет понимание сетей корреляции генов рака, предлагая новые возможности для понимания транскрипционного разнообразия и взаимодействия опухолевой микросреды. Эта структура устраняет пробелы в существующих методологиях, сочетая точность с масштабируемостью для различных наборов данных. Интегрируя математические инструменты с данными секвенирования РНК отдельных клеток, это исследование закладывает основу для инновационных приложений в диагностике и лечении рака.

Ключевые слова: РНК отдельных клеток, 10x Genomics, машинное обучение, прогнозирование рака, персонализированная диагностика