神经符号学习用于从纵向单细胞转录组学预测儿童急性髓系白血病细胞命运决策

儿童急性髓系白血病（AML）是一个具有高发病率的复杂适应性生态系统。当前的轨迹推断算法难以预测AML进展中的因果动力学，包括复发和复发风险。我们提出了一个基于复杂性科学的符号人工智能与深度学习框架，整合循环神经网络（RNN）、Transformer和算法信息动力学（AID），以建模纵向单细胞转录组学并推断儿童AML中的复杂状态转换。我们识别出关键的可塑性标志物，作为调控发育轨迹的预测性特征。这些特征是通过将深度学习与基于复杂系统的网络扰动分析和动力系统理论相结合，以推断引导AML演化的高维状态空间吸引子而获得的。研究结果揭示了失调的表观遗传和发育模式，AML细胞处于适应不良、可重编程的可塑性状态，即发育停滞阻碍了终末分化。预测结果预示了指导AML细胞命运分叉的神经发育和形态发生特征，表明在分化过程中存在外胚层-中胚层串扰。神经可塑性和神经传递相关的转录信号暗示了脑-免疫-造血轴在AML细胞命运控制论中的作用。这是首次结合RNN和AID来预测和解读AML中细胞命运转变轨迹的纵向模式的研究。我们的复杂系统方法能够因果发现预测性生物标志物和治疗靶点，用于生态系统工程、癌症逆转、精准基因编辑和分化疗法，在精准肿瘤学和以患者为中心的护理方面具有强大的转化潜力。