Предсказание клеточных судеб: Исследователи разрабатывают ИИ-решения для биомедицинских исследований нового поколения
В Computational Health Center в Helmholtz Munich создается один из крупнейших в Европе исследовательских центров искусственного интеллекта в медицинской науке под руководством Фабиана Тайса. В тесном сотрудничестве с Техническим университетом Мюнхена (TUM) более ста ученых используют искусственный интеллект и машинное обучение для решения проблем с качеством и интеграцией данных, что необходимо для разработки новых методов лечения. В журнале Nature Methods они представили три статьи с новыми решениями.
По словам Фабиана Тайса, их исследовательские группы фокусируются на использовании single-cell genomics для понимания происхождения болезней, применяя и разрабатывая методы машинного обучения для работы со сложными данными. В трех новых работах они сосредоточились на интеграции одноклеточных данных, анализе траекторий и пространственном разрешении соответственно.
Решение проблемы интеграции данных
Объединение наборов single-cell data осложняется так называемыми batch effects — различиями в молекулярных профилях между образцами, полученными в разное время, в разных местах или от разных людей. Группа исследователей во главе с Мальте Люккен тщательно отобрала 86 наборов данных и сравнила 16 самых популярных методов интеграции данных по 13 задачам. После более 55 000 часов вычислений и детальной оценки 590 результатов они создали руководство для оптимизированной интеграции данных. Это позволяет улучшить наблюдение за болезненными процессами в масштабах популяции.
Предсказание клеточных состояний с помощью open-source ПО
Многие биологические вопросы касаются непрерывных процессов, таких как развитие или регенерация. Single-cell RNA-sequencing измеряет экспрессию генов для любой клетки в таком процессе, но метод разрушает клетки, и ученые получают лишь статические снимки. Алгоритмы для реконструкции непрерывных процессов из этих снимков часто не могут определить направление процесса.
Чтобы преодолеть это ограничение, Мариус Ланге и коллеги разработали новый алгоритм под названием CellRank. Он оценивает направленные клеточные траектории, комбинируя предыдущие подходы к реконструкции с RNA velocity — концепцией для оценки активации или подавления генов. В in-vitro и in-vivo приложениях CellRank правильно определял клеточные судьбы и выявлял ранее известные гены. На примере регенерации легких CellRank предсказал новые промежуточные клеточные состояния на траектории дедифференцировки, чье существование было подтверждено экспериментально. CellRank — это пакет open-source программного обеспечения, уже используемый биологами и биоинформатиками по всему миру для анализа сложной клеточной динамики в ситуациях, подобных раку, репрограммированию или регенерации.
Визуализация анализа spatial omics
В последние годы активно развиваются технологии измерения вариаций экспрессии генов в ткани. Их преимущество в том, что ученые могут видеть клетки в их контексте, исследуя принципы организации ткани и клеточной коммуникации. Для хранения, интеграции и визуализации растущего разнообразия таких данных исследователям нужны гибкие вычислительные платформы.
Для решения этой задачи Джованни Палла, Ханна Шпицер и коллеги разработали новую вычислительную платформу под названием Squidpy. Она позволяет аналитикам и разработчикам работать с данными пространственной экспрессии генов. Squidpy интегрирует инструменты для анализа экспрессии генов и изображений, чтобы эффективно обрабатывать и интерактивно визуализировать данные spatial omics. Платформа расширяема и может взаимодействовать с различными инструментами машинного обучения в экосистеме Python. Ученые по всему миру уже используют ее для анализа пространственных молекулярных данных.