该工具名为DOLPHIN，专注于单个细胞中的外显子级数据
研究人员开发了一种机器学习工具，能够在比传统方法更精细的分辨率下识别RNA表达中的疾病相关模式。该工具名为DOLPHIN，专注于单个细胞中的外显子级数据，可检测出基因级分析中常被忽略的生物信号。
发表于《自然·通讯》的研究概述了该模型如何推进RNA剪接变异的检测——即RNA如何从称为外显子的构建模块组装而成的变化——从而揭示疾病进展或严重程度的早期迹象。
聚焦RNA剪接分析
在细胞生物学中，许多疾病标志物表现为RNA剪接的细微变化。传统方法将RNA表达汇总为整体基因计数，可能掩盖特定片段中出现的差异。DOLPHIN则分析外显子和连接点读数，提升了单细胞转录组学的分辨率，为健康与疾病状态下的分子活动提供更清晰的图景。
在一项针对胰腺癌样本的分析中，研究人员应用DOLPHIN识别出800多个其他工具未检测到的外显子级标记。该模型基于这些新检测到的信号，成功区分了高风险疾病患者与肿瘤侵袭性较低的患者。
迈向更精细的细胞数字模型
除标记识别外，该模型还能通过构建更丰富的细胞状态谱，模拟细胞对治疗的反应行为。这些谱使研究人员能够生成“虚拟细胞”——真实细胞的计算机模拟表征——用于在实验室或临床测试前预测药物反应。
作者提出，此类建模可通过支持实验前的假设生成，减少早期药物研究的时间和成本。
研究下一阶段将涉及扩展该工具，以分析跨多样化数据集的数百万个细胞。此次扩展旨在增强虚拟细胞模拟的分辨率和预测能力，有望在未来研究中改进疾病建模。
本工作获得呼吸研究Meakins-Christie讲席、加拿大卫生研究院、加拿大自然科学与工程研究理事会以及魁北克研究基金会的支持。
参考文献：Song K, Zheng Y, Zhao B, 等. DOLPHIN通过利用外显子和连接点读数推动单细胞转录组学超越基因级别. 《自然·通讯》. 2025. doi: 10.1038/s41467-025-61580-w
【全文结束】
