Published March 17, 2023
| Version v1
Publication
Open
Immune responses of different COVID-19 vaccination strategies by analyzing single-cell RNA sequencing data from multiple tissues using machine learning methods
- 1. Center for Life Sciences
- 2. Center for Excellence in Molecular Cell Science
- 3. Beijing Institute of Big Data Research
Description
Multiple types of COVID-19 vaccines have been shown to be highly effective in preventing SARS-CoV-2 infection and in reducing post-infection symptoms. Almost all of these vaccines induce systemic immune responses, but differences in immune responses induced by different vaccination regimens are evident. This study aimed to reveal the differences in immune gene expression levels of different target cells under different vaccine strategies after SARS-CoV-2 infection in hamsters. A machine learning based process was designed to analyze single-cell transcriptomic data of different cell types from the blood, lung, and nasal mucosa of hamsters infected with SARS-CoV-2, including B and T cells from the blood and nasal cavity, macrophages from the lung and nasal cavity, alveolar epithelial and lung endothelial cells. The cohort was divided into five groups: non-vaccinated (control), 2*adenovirus (two doses of adenovirus vaccine), 2*attenuated (two doses of attenuated virus vaccine), 2*mRNA (two doses of mRNA vaccine), and mRNA/attenuated (primed by mRNA vaccine, boosted by attenuated vaccine). All genes were ranked using five signature ranking methods (LASSO, LightGBM, Monte Carlo feature selection, mRMR, and permutation feature importance). Some key genes that contributed to the analysis of immune changes, such as RPS23, DDX5, PFN1 in immune cells, and IRF9 and MX1 in tissue cells, were screened. Afterward, the five feature sorting lists were fed into the feature incremental selection framework, which contained two classification algorithms (decision tree [DT] and random forest [RF]), to construct optimal classifiers and generate quantitative rules. Results showed that random forest classifiers could provide relative higher performance than decision tree classifiers, whereas the DT classifiers provided quantitative rules that indicated special gene expression levels under different vaccine strategies. These findings may help us to develop better protective vaccination programs and new vaccines.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
وقد ثبت أن أنواعًا متعددة من لقاحات كوفيد-19 فعالة للغاية في الوقاية من عدوى فيروس كورونا 2 المرتبط بمتلازمة الجهاز التنفسي الحادة الوخيمة وفي الحد من أعراض ما بعد العدوى. تحفز جميع هذه اللقاحات تقريبًا الاستجابات المناعية الجهازية، ولكن الاختلافات في الاستجابات المناعية الناجمة عن أنظمة التطعيم المختلفة واضحة. هدفت هذه الدراسة إلى الكشف عن الاختلافات في مستويات التعبير الجيني المناعي للخلايا المستهدفة المختلفة في إطار استراتيجيات اللقاح المختلفة بعد الإصابة بفيروس كورونا 2 المرتبط بمتلازمة الجهاز التنفسي الحادة الوخيمة في الهامستر. تم تصميم عملية قائمة على التعلم الآلي لتحليل البيانات النصية أحادية الخلية لأنواع الخلايا المختلفة من الدم والرئة والغشاء المخاطي الأنفي للهامستر المصاب بفيروس كورونا 2 المرتبط بمتلازمة الجهاز التنفسي الحادة الوخيمة، بما في ذلك الخلايا البائية والتائية من الدم والتجويف الأنفي، والبلاعم من الرئة والتجويف الأنفي، والخلايا الظهارية السنخية والبطانية الرئوية. تم تقسيم المجموعة إلى خمس مجموعات: غير ملقحة (مراقبة)، 2*فيروس غدي (جرعتان من لقاح الفيروس الغدي)، 2*موهن (جرعتان من لقاح الفيروس الموهن)، 2*مرنا (جرعتان من لقاح مرنا)، و مرنا/موهن (معبأ بلقاح مرنا، مدعوم بلقاح موهن). تم تصنيف جميع الجينات باستخدام خمس طرق لتصنيف التوقيع (لاسو، لايت جي بي إم، اختيار ميزة مونت كارلو، التصوير بالرنين المغناطيسي، وأهمية ميزة التقليب). تم فحص بعض الجينات الرئيسية التي ساهمت في تحليل التغيرات المناعية، مثل RPS23 و DDX5 و PFN1 في الخلايا المناعية و IRF9 و MX1 في الخلايا النسيجية. بعد ذلك، تم إدخال قوائم فرز الميزات الخمس في إطار الاختيار التدريجي للميزة، والذي احتوى على خوارزميتين للتصنيف (شجرة القرار [DT] والغابة العشوائية [RF])، لبناء المصنفات المثلى وتوليد قواعد كمية. أظهرت النتائج أن مصنفات الغابات العشوائية يمكن أن توفر أداءً أعلى نسبيًا من مصنفات شجرة القرار، في حين قدمت مصنفات DT قواعد كمية تشير إلى مستويات تعبير جيني خاصة في إطار استراتيجيات لقاح مختلفة. قد تساعدنا هذه النتائج على تطوير برامج تطعيم وقائية أفضل ولقاحات جديدة.Translated Description (French)
Il a été démontré que plusieurs types de vaccins contre la COVID-19 sont très efficaces pour prévenir l'infection par le SRAS-CoV-2 et réduire les symptômes post-infection. Presque tous ces vaccins induisent des réponses immunitaires systémiques, mais des différences dans les réponses immunitaires induites par différents schémas de vaccination sont évidentes. Cette étude visait à révéler les différences dans les niveaux d'expression des gènes immunitaires de différentes cellules cibles sous différentes stratégies vaccinales après l'infection par le SRAS-CoV-2 chez les hamsters. Un processus basé sur l'apprentissage automatique a été conçu pour analyser les données transcriptomiques unicellulaires de différents types de cellules du sang, des poumons et de la muqueuse nasale des hamsters infectés par le SRAS-CoV-2, y compris les cellules B et T du sang et de la cavité nasale, les macrophages du poumon et de la cavité nasale, les cellules épithéliales alvéolaires et les cellules endothéliales pulmonaires. La cohorte a été divisée en cinq groupes : non vacciné (contrôle), 2*adénovirus (deux doses de vaccin contre l'adénovirus), 2*atténué (deux doses de vaccin contre le virus atténué), 2*ARNm (deux doses de vaccin à ARNm) et ARNm/atténué (amorcé par le vaccin à ARNm, stimulé par le vaccin atténué). Tous les gènes ont été classés à l'aide de cinq méthodes de classement de signature (LASSO, LightGBM, sélection de caractéristiques Monte Carlo, mRMR et importance des caractéristiques de permutation). Certains gènes clés qui ont contribué à l'analyse des changements immunitaires, tels que RPS23, DDX5, PFN1 dans les cellules immunitaires et IRF9 et MX1 dans les cellules tissulaires, ont été criblés. Par la suite, les cinq listes de tri des caractéristiques ont été introduites dans le cadre de sélection incrémentielle des caractéristiques, qui contenait deux algorithmes de classification (arbre de décision [DT] et forêt aléatoire [RF]), pour construire des classificateurs optimaux et générer des règles quantitatives. Les résultats ont montré que les classificateurs forestiers aléatoires pouvaient fournir des performances relativement plus élevées que les classificateurs d'arbres de décision, tandis que les classificateurs DT fournissaient des règles quantitatives indiquant des niveaux d'expression génique spéciaux dans le cadre de différentes stratégies vaccinales. Ces résultats peuvent nous aider à développer de meilleurs programmes de vaccination protectrice et de nouveaux vaccins.Translated Description (Spanish)
Se ha demostrado que varios tipos de vacunas contra la COVID-19 son altamente eficaces para prevenir la infección por SARS-CoV-2 y reducir los síntomas posteriores a la infección. Casi todas estas vacunas inducen respuestas inmunitarias sistémicas, pero las diferencias en las respuestas inmunitarias inducidas por diferentes regímenes de vacunación son evidentes. Este estudio tuvo como objetivo revelar las diferencias en los niveles de expresión génica inmunitaria de diferentes células diana bajo diferentes estrategias de vacuna después de la infección por SARS-CoV-2 en hámsteres. Se diseñó un proceso basado en el aprendizaje automático para analizar datos transcriptómicos unicelulares de diferentes tipos de células de la sangre, el pulmón y la mucosa nasal de hámsters infectados con SARS-CoV-2, incluidas las células B y T de la sangre y la cavidad nasal, los macrófagos del pulmón y la cavidad nasal, el epitelio alveolar y las células endoteliales pulmonares. La cohorte se dividió en cinco grupos: no vacunados (control), 2*adenovirus (dos dosis de vacuna de adenovirus), 2*atenuado (dos dosis de vacuna de virus atenuado), 2*ARNm (dos dosis de vacuna de ARNm) y ARNm/atenuado (cebado con vacuna de ARNm, reforzado con vacuna atenuada). Todos los genes se clasificaron utilizando cinco métodos de clasificación de firmas (LASSO, LightGBM, selección de características de Monte Carlo, mRMR e importancia de características de permutación). Se examinaron algunos genes clave que contribuyeron al análisis de los cambios inmunitarios, como RPS23, DDX5, PFN1 en células inmunitarias e IRF9 y MX1 en células tisulares. Posteriormente, las cinco listas de clasificación de características se introdujeron en el marco de selección incremental de características, que contenía dos algoritmos de clasificación (árbol de decisión [DT] y bosque aleatorio [RF]), para construir clasificadores óptimos y generar reglas cuantitativas. Los resultados mostraron que los clasificadores de bosques aleatorios podrían proporcionar un rendimiento relativamente mayor que los clasificadores de árboles de decisión, mientras que los clasificadores de DT proporcionaron reglas cuantitativas que indicaban niveles especiales de expresión génica bajo diferentes estrategias de vacuna. Estos hallazgos pueden ayudarnos a desarrollar mejores programas de vacunación de protección y nuevas vacunas.Files
pdf.pdf
Files
(3.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:920a5a8fe41cab38088e839a84740ccb
|
3.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الاستجابات المناعية لاستراتيجيات التطعيم المختلفة ضد كوفيد-19 من خلال تحليل بيانات تسلسل الحمض النووي الريبي أحادي الخلية من أنسجة متعددة باستخدام طرق التعلم الآلي
- Translated title (French)
- Réponses immunitaires de différentes stratégies de vaccination contre la COVID-19 en analysant les données de séquençage de l'ARN unicellulaire de plusieurs tissus à l'aide de méthodes d'apprentissage automatique
- Translated title (Spanish)
- Respuestas inmunitarias de diferentes estrategias de vacunación contra COVID-19 mediante el análisis de datos de secuenciación de ARN unicelular de múltiples tejidos utilizando métodos de aprendizaje automático
Identifiers
- Other
- https://openalex.org/W4327734671
- DOI
- 10.3389/fgene.2023.1157305
References
- https://openalex.org/W106478609
- https://openalex.org/W1506552881
- https://openalex.org/W1592794964
- https://openalex.org/W1752753809
- https://openalex.org/W1972503143
- https://openalex.org/W1973454407
- https://openalex.org/W1978927384
- https://openalex.org/W1979468387
- https://openalex.org/W1983985331
- https://openalex.org/W1984065010
- https://openalex.org/W1986323236
- https://openalex.org/W1991186601
- https://openalex.org/W1995826732
- https://openalex.org/W2005267029
- https://openalex.org/W2006924047
- https://openalex.org/W2010090099
- https://openalex.org/W2016603053
- https://openalex.org/W2016721309
- https://openalex.org/W2021006627
- https://openalex.org/W2022487677
- https://openalex.org/W2030954119
- https://openalex.org/W2035502959
- https://openalex.org/W2040397157
- https://openalex.org/W2046578982
- https://openalex.org/W2051227636
- https://openalex.org/W2051465752
- https://openalex.org/W2053739420
- https://openalex.org/W2059185913
- https://openalex.org/W2061272980
- https://openalex.org/W2065735031
- https://openalex.org/W2076493816
- https://openalex.org/W2077681706
- https://openalex.org/W2078646756
- https://openalex.org/W2081870862
- https://openalex.org/W2090262794
- https://openalex.org/W2101234009
- https://openalex.org/W2107680782
- https://openalex.org/W2109553965
- https://openalex.org/W2111816816
- https://openalex.org/W2111844016
- https://openalex.org/W2113570557
- https://openalex.org/W2125283600
- https://openalex.org/W2142412083
- https://openalex.org/W2148143831
- https://openalex.org/W2154053567
- https://openalex.org/W2167877434
- https://openalex.org/W2395354136
- https://openalex.org/W2413133914
- https://openalex.org/W2489017355
- https://openalex.org/W2556695214
- https://openalex.org/W2563543508
- https://openalex.org/W2580066664
- https://openalex.org/W2701492706
- https://openalex.org/W2765252593
- https://openalex.org/W2768348081
- https://openalex.org/W2791793052
- https://openalex.org/W2803072395
- https://openalex.org/W2804802143
- https://openalex.org/W2885496398
- https://openalex.org/W2888273885
- https://openalex.org/W2888410625
- https://openalex.org/W2889114972
- https://openalex.org/W2895757710
- https://openalex.org/W2911098074
- https://openalex.org/W2911964244
- https://openalex.org/W2913208129
- https://openalex.org/W2913263718
- https://openalex.org/W2913334238
- https://openalex.org/W2913415147
- https://openalex.org/W2920496112
- https://openalex.org/W2920940737
- https://openalex.org/W2921826003
- https://openalex.org/W2936804536
- https://openalex.org/W2942555729
- https://openalex.org/W2946337946
- https://openalex.org/W2952656006
- https://openalex.org/W2969476445
- https://openalex.org/W2995729394
- https://openalex.org/W2996443588
- https://openalex.org/W3008827533
- https://openalex.org/W3022502706
- https://openalex.org/W3024997133
- https://openalex.org/W3028711203
- https://openalex.org/W3032331540
- https://openalex.org/W3033154947
- https://openalex.org/W3034894609
- https://openalex.org/W3036320705
- https://openalex.org/W3036572158
- https://openalex.org/W3040654796
- https://openalex.org/W3043531240
- https://openalex.org/W3044957374
- https://openalex.org/W3046218096
- https://openalex.org/W3070896495
- https://openalex.org/W3080761414
- https://openalex.org/W3089310389
- https://openalex.org/W3096723079
- https://openalex.org/W3098155969
- https://openalex.org/W3111206539
- https://openalex.org/W3112164273
- https://openalex.org/W3116346339
- https://openalex.org/W3119703860
- https://openalex.org/W3119742760
- https://openalex.org/W3121873058
- https://openalex.org/W3127317695
- https://openalex.org/W3127907745
- https://openalex.org/W3133680184
- https://openalex.org/W3140873308
- https://openalex.org/W3156257761
- https://openalex.org/W3158194461
- https://openalex.org/W3158276912
- https://openalex.org/W3159224634
- https://openalex.org/W3163829001
- https://openalex.org/W3163871450
- https://openalex.org/W3165678235
- https://openalex.org/W3174144714
- https://openalex.org/W3177181935
- https://openalex.org/W3179227083
- https://openalex.org/W3183161080
- https://openalex.org/W3184226105
- https://openalex.org/W3189762432
- https://openalex.org/W3191450537
- https://openalex.org/W3191628857
- https://openalex.org/W3192494915
- https://openalex.org/W3193039013
- https://openalex.org/W3195549443
- https://openalex.org/W3195872404
- https://openalex.org/W3198205651
- https://openalex.org/W3205744458
- https://openalex.org/W3207416197
- https://openalex.org/W3211051404
- https://openalex.org/W3213275159
- https://openalex.org/W4200231525
- https://openalex.org/W4200576425
- https://openalex.org/W4200591407
- https://openalex.org/W4210332340
- https://openalex.org/W4210760627
- https://openalex.org/W4213392519
- https://openalex.org/W4220710221
- https://openalex.org/W4221090060
- https://openalex.org/W4225853686
- https://openalex.org/W4229459576
- https://openalex.org/W4244826557
- https://openalex.org/W4252208101
- https://openalex.org/W4280504930
- https://openalex.org/W4280571316
- https://openalex.org/W4280647947
- https://openalex.org/W4281625869
- https://openalex.org/W4281718469
- https://openalex.org/W4283331044
- https://openalex.org/W4283752824
- https://openalex.org/W4283812311
- https://openalex.org/W4285794000
- https://openalex.org/W4285808848
- https://openalex.org/W4292229998
- https://openalex.org/W4297996437
- https://openalex.org/W4303858660
- https://openalex.org/W4312964281
- https://openalex.org/W4313493331
- https://openalex.org/W4313594831
- https://openalex.org/W4321785394
- https://openalex.org/W4322773540
- https://openalex.org/W4362521421