[发明专利]用于确定不同细胞亚群的比例的方法和系统

说明书

本文提供了对物理系统的特征图谱进行去卷积的方法。本方法可以包括：优化a)第一多个不同组分的特征图谱与b)第二多个不同组分的特征标记的参考矩阵之间的回归，其中所述特征图谱被建模为所述参考矩阵的线性组合，并且其中所述优化包括求解所述回归的一组回归系数，其中所述解使以下最小化：1)线性损失函数和2)L₂范数惩罚函数；以及基于所述一组回归系数估计样品中存在的所述第二多个不同组分中的一个或多个不同组分的分数表示。还提供了用于执行主题方法的系统和计算机可读介质。

相关申请的交叉引用

根据35 U.S.C.§119(e)，本申请要求于2015年1月22日提交的美国临时专利申请号62/106,601的权益，该申请的全部内容通过引用并入本文。

政府权力

本发明是在美国国立卫生研究院(NIH)授予的基金拨款号5T32 CA09302-35(A.M.N.)和国防部授予的基金拨款号W81XWH-12-1-0498(A.M.N.)下、由政府支持进行的。政府对本发明享有一定的权利。

背景技术

细胞组成的变化是后生动物及其复合组织的不同生理状态的基础。例如，在恶性肿瘤中，浸润性免疫细胞的水平与肿瘤生长、癌症进展和患者最后结果相关联。研究细胞异质性的常见方法(例如免疫组织化学法和流式细胞术)依赖于有限种类的表型标志物，流式细胞术之前的组织解聚可导致细胞丢失或损伤，改变结果。

最近，报导了用于预测基因表达图谱(GEP)中多种细胞类型的分数的计算方法。虽然这类方法对具有严格定义的组成的混合物(例如血液)效果准确，但是它们对于具有未知内容物和噪声的混合物(例如实体肿瘤)以及对于区分密切相关的细胞类型(例如，原初B细胞与记忆B细胞)不太有效。此外，在以前的方法中没有统计学显著性检验使得其结果难以解释。

发明内容

本文提供了对物理系统的特征图谱进行去卷积的方法。本方法可以包括：优化a)第一多个不同组分的特征图谱与b)第二多个不同组分的特征标记的参考矩阵之间的回归，其中所述特征图谱被建模为所述参考矩阵的线性组合，并且其中所述优化包括求解所述回归的一组回归系数，其中所述解使以下最小化：1)线性损失函数和2)L₂范数惩罚函数；以及基于所述一组回归系数估计所述样品中存在的所述第二多个不同组分中的一个或多个不同组分的分数表示。

本公开的方法可以包括：i)获得包含第一多个不同组分的物理样品；ii)根据所述样品产生特征图谱m，其中所述特征图谱包括与所述第一多个不同组分相关联的特征的组合；iii)优化m与特征标记的参考矩阵B之间的回归，每个特征标记表示第二多个不同组分中的不同组分，其中m被建模为B的线性组合，其中所述优化包括求解包含所述回归的一组回归系数的f，其中所述解使以下最小化：线性损失函数；和L₂范数惩罚函数；以及iv)基于所述一组回归系数估计所述样品中存在的所述第二多个不同组分中的一个或多个不同组分的分数表示。

在任何实施例中，所述求解f可以包括在B的特征标记的多个不同子集中选择B中的特征的子集以使所述线性损失函数最小化。

在任何实施例中，线性损失函数可以是线性ε不敏感损失函数。

在任何实施例中，所述优化可以包括使用支持向量回归(SVR)。在一些实施例中，支持向量回归是ε-SVR。在一些实施例中，支持向量回归是ν(nu)-SVR。在一些实施例中，所述方法进一步包括使用不同的ν值迭代所述方法，以针对每个不同的ν值产生f的不同解。在一些实施例中，所述方法进一步包括在f的不同解中识别在以下两项之间具有最小误差的解：a)所述特征图谱m；与b)f和所述参考矩阵B的乘积。在一些实施例中，所述最小误差使用皮尔逊积矩相关系数、斯皮尔曼等级相关、均方根误差(RMSE)、欧几里得距离或者平均绝对偏差(MAD)获得。