ZM
Zong Miao
Author with expertise in Comprehensive Integration of Single-Cell Transcriptomic Data
Achievements
Open Access Advocate
Cited Author
Key Stats
Upvotes received:
0
Publications:
6
(83% Open Access)
Cited by:
310
h-index:
19
/
i10-index:
25
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Accurate estimation of cell composition in bulk expression through robust integration of single-cell information

Brandon Jew et al.Jun 15, 2019
Abstract We present Bisque, a tool for estimating cell type proportions in bulk expression. Bisque implements a regression-based approach that utilizes single-cell RNA-seq (scRNA-seq) data to generate a reference expression profile and learn gene-specific bulk expression transformations to robustly decompose RNA-seq data. These transformations significantly improve decomposition performance compared to existing methods when there is significant technical variation in the generation of the reference profile and observed bulk expression. Importantly, compared to existing methods, our approach is extremely efficient, making it suitable for the analysis of large genomic datasets that are becoming ubiquitous. When applied to subcutaneous adipose and dorsolateral prefrontal cortex expression datasets with both bulk RNA-seq and single-nucleus RNA-seq (snRNA-seq) data, Bisque was able to replicate previously reported associations between cell type proportions and measured phenotypes across abundant and rare cell types. Bisque requires a single-cell reference dataset that reflects physiological cell type composition and can further leverage datasets that includes both bulk and single cell measurements over the same samples for improved accuracy. We further propose an additional mode of operation that merely requires a set of known marker genes. Bisque is available as an R package at: https://github.com/cozygene/bisque .
0
Citation20
0
Save
0

Enhancing droplet-based single-nucleus RNA-seq resolution using the semi-supervised machine learning classifier DIEM

Marcus Alvarez et al.Sep 30, 2019
Abstract Single-nucleus RNA sequencing (snRNA-seq) measures gene expression in individual nuclei instead of cells, allowing for unbiased cell type characterization in solid tissues. Contrary to single-cell RNA seq (scRNA-seq), we observe that snRNA-seq is commonly subject to contamination by high amounts of extranuclear background RNA, which can lead to identification of spurious cell types in downstream clustering analyses if overlooked. We present a novel approach to remove debris-contaminated droplets in snRNA-seq experiments, called Debris Identification using Expectation Maximization (DIEM). Our likelihood-based approach models the gene expression distribution of debris and cell types, which are estimated using EM. We evaluated DIEM using three snRNA-seq data sets: 1) human differentiating preadipocytes in vitro , 2) fresh mouse brain tissue, and 3) human frozen adipose tissue (AT) from six individuals. All three data sets showed various degrees of extranuclear RNA contamination. We observed that existing methods fail to account for contaminated droplets and led to spurious cell types. When compared to filtering using these state of the art methods, DIEM better removed droplets containing high levels of extranuclear RNA and led to higher quality clusters. Although DIEM was designed for snRNA-seq data, we also successfully applied DIEM to single-cell data. To conclude, our novel method DIEM removes debris-contaminated droplets from single-cell-based data fast and effectively, leading to cleaner downstream analysis. Our code is freely available for use at https://github.com/marcalva/diem .
0
Citation5
0
Save
0

Evaluation of a novel signature for PARP inhibitor sensitivity prediction using real-world data.

Emily Vucic et al.Jun 1, 2024
5583 Background: Tumors with homologous recombination repair deficiencies (HRD+) are susceptible to PARP inhibitors (PARPi) which exploit a synthetic lethality by targeting an essential base excision repair (BER) pathway. Current biomarkers designed to predict efficacy of PARPi (BRCA1/2 mut , HRD+) are ineffective, particularly in advanced stages of therapy.There is an urgent unmet need for improved PARPi biomarkers that is particularly acute for patients who fail multiple lines of therapy. We sought to develop and validate a predictive signature for identifying olaparib-sensitive patients that uses real-world data (RWD) as input. Methods: We developed a machine learning (ML) model, called DrugBERT, that learns a relationship between 1) drug structure, 2) DNA alterations, 3) drug response and 4) binding affinity between a drug and its purported target. DrugBERT utilizes genetic information from clinical commercial NGS panels and a subset of clinical features, and outputs a predictive signature for a drug of interest, without need for additional training. Each prediction is accompanied by a Vulnerability Network (VN) which represents a predicted latent genetic sensitivity in tumors and provides biological interpretability to model outputs. Because our model uses RWD as input, we were able to retrospectively evaluate our signature in a RWD ovarian cancer cohort treated with the PARPi, olaparib. Samples were filtered to biopsies taken < 2 years prior to olaparib treatment (N= 48 samples). Drug combinations were analyzed by processing each drug separately and stratifying patients based on sensitivity predictions to all drugs in the regimen. Results: Zephyr's signature outperformed existing PARPi biomarkers in a complex real-world olaparib-treated ovarian cancer cohort. OS and PFS were not significantly different when stratifying patients by BRCA1/2 mutations or HRD+. For Zephyr’s signature, both OS (p-value < 5x10 -3 ; HR = 3.37, 95% CI: 1.27-5.46) and PFS (p-value < 10 -3 ; HR = 2.04, 95% CI: 1.35-3.10), were statistically and clinically significantly prolonged. Characterization of VNs enriched in olaparib-predicted sensitive patient tumors indicated enhanced sensitivity to perturbing HR and cell cycle pathways. Conversely, olaparib-predicted non-sensitive ovarian tumors were characterized by VNs indicating perturbation sensitivity to cell motility and stress response pathways and displayed higher expression of DNA repair, drug resistance, and cancer stem cell pathways. Conclusions: We present a novel and enhanced approach for stratifying patients for PARPi therapy, retrospectively validated in a complex real-world ovarian cancer cohort treated with olaparib. Our interpretable model not only offers a biological hypothesis for predicted responses but is also readily applicable in clinical settings and compatible with standard multi-gene commercial NGS panels for immediate use.
0

A targetable PRR11-DHODH axis drives ferroptosis- and temozolomide-resistance in glioblastoma

Zong Miao et al.May 30, 2024
Temozolomide (TMZ) is a widely utilized chemotherapy treatment for patients with glioblastoma (GBM), although drug resistance constitutes a major therapeutic hurdle. Emerging evidence suggests that ferroptosis-mediated therapy could offer an appropriate alternative treatment option against cancer cells that are resistant to certain drugs. However, recurrent gliomas display robust ferroptosis resistance, although the precise mechanism of resistance remains elusive. In the present work, we report that proline rich protein 11 (PRR11) depletion significantly sensitizes GBM cells to TMZ by inducing ferroptosis. Mechanistically, PRR11 directly binds to and stabilizes dihydroorotate dehydrogenase (DHODH), which leads to glioma ferroptosis-resistant in a DHODH-dependent manner in vivo and in vitro. Furthermore, PRR11 inhibits HERC4 and DHODH binding, by suppressing the recruitment of E3 ubiquitin ligase HERC4 and polyubiquitination degradation of DHODH at the K306 site, which maintains DHODH protein stability. Importantly, downregulated PRR11 increases lipid peroxidation and alters DHODH-mediated mitochondrial morphology, thereby promoting ferroptosis and increasing TMZ chemotherapy sensitivity. In conclusion, our results reveal a mechanism via which PRR11 drives ferroptosis resistance and identifies ferroptosis induction and TMZ as an attractive combined therapeutic strategy for GBM.