Разработан алгоритм для определения функций клеточных «окрестностей» в тканях

Исследователи из Детской больницы Филадельфии (CHOP) разработали новый алгоритм на базе ИИ, чтобы понять, как разные клетки организуются в ткани и взаимодействуют друг с другом. Инструмент протестировали на двух типах раковых тканей, чтобы показать, как эти «окрестности» клеток взаимодействуют, уклоняясь от терапии.

Результаты опубликованы в журнале Nature Methods.

Для понимания организации клеток в ткани учёные предложили концепцию тканевых клеточных окрестностей (TCNs) — функциональных единиц, где разные, повторяющиеся типы клеток работают вместе.

Перевод огромного массива данных пространственной омики в интерпретируемые модели требует продвинутых алгоритмов ИИ.

«Изучать микроокружение ткани, то, как определённые клетки организуются, ведут себя и общаются, очень сложно», — отметил старший автор Кай Тан.

В этом исследовании учёные разработали алгоритм CytoCommunity на основе глубокого обучения для идентификации TCNs на основе идентичности клеток, их пространственного распределения и клинических данных пациентов.

Для обучения алгоритма использовали образцы тканей опухолей молочной железы и колоректального рака, так как по ним доступен большой объём данных.

Применение CytoCommunity к этим данным выявило новые TCNs, обогащённые фибробластами (для высокорискового рака молочной железы) и гранулоцитами (для колоректального рака), специфичные для агрессивных подтипов.

«Следующий шаг — применить алгоритм к данным как здоровых, так и больных тканей, например, из консорциумов HuBMAP и HTAN», — сказал Тан.

Исследователи надеются найти TCNs, связанные с ответом на терапию при детских раках (лейкемия, нейробластома, глиомы), и комбинировать эти данные с генетическими, чтобы определить задействованные молекулярные пути.