Nuevo método de aprendizaje automático mejora nuestra comprensión de la identidad celular

Por la Universidad Carnegie Mellon 17 de marzo de 2023

La identidad celular se refiere a las características y propiedades únicas que distinguen un tipo de célula de otro dentro de un organismo. Esta identidad está determinada por la expresión de genes específicos, que controlan la producción de proteínas que dan a las células sus funciones y estructuras particulares.

La activación y la expresión de genes revelan similitudes en los patrones celulares según el tipo y la función en los tejidos y órganos. Comprender estos patrones mejora nuestra comprensión de las células y ofrece información para descubrir los mecanismos subyacentes de las enfermedades.

La aparición de tecnologías de transcriptómica espacial ha permitido a los científicos examinar la expresión génica en el contexto de muestras de tejido en su conjunto. Sin embargo, son necesarias nuevas técnicas computacionales para procesar esta información y facilitar la identificación y comprensión de estos patrones de expresión génica.

A research team led by Jian Ma, the Ray and Stephanie Lane Professor of Computational Biology in Carnegie Mellon University's School of Computer Science, has developed a machine learningMachine learning is a subset of artificial intelligence (AI) that deals with the development of algorithms and statistical models that enable computers to learn from data and make predictions or decisions without being explicitly programmed to do so. Machine learning is used to identify patterns in data, classify data into different categories, or make predictions about future events. It can be categorized into three main types of learning: supervised, unsupervised and reinforcement learning." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"> herramienta de aprendizaje automático para llenar este vacío. Su artículo sobre el método, llamado SPICEMIX, apareció recientemente como el artículo de portada de Nature Genetics.

SPICEMIX ayuda a los investigadores a desentrañar el papel que juegan los diferentes patrones espaciales en la expresión génica general de las células en tejidos complejos como el cerebro. Lo hace al representar cada patrón con metagenes espaciales, grupos de genes que pueden estar conectados a un proceso biológico específico y pueden mostrar patrones uniformes o esporádicos en el tejido.

El equipo, que incluía a Ma; Benjamin Chidester, científico del proyecto en el Departamento de Biología Computacional; y doctorado los estudiantes Tianming Zhou y Shahul Alam, usaron SPICEMIX para analizar datos de transcriptómica espacial de regiones del cerebro en ratones y humanos. Aprovecharon las capacidades únicas de SPICEMIX para descubrir el panorama de los tipos de células y patrones espaciales del cerebro.

"Nos inspiramos en la cocina cuando elegimos el nombre", dijo Chidester. "Puedes hacer todo tipo de sabores diferentes con el mismo conjunto de especias. Las células pueden funcionar de manera similar. Pueden usar un conjunto común de procesos biológicos, pero la combinación específica que usan les da su identidad única".

Cuando se aplicó a los tejidos cerebrales, SPICEMIX identificó patrones espaciales de tipos de células en el cerebro con mayor precisión que otros métodos. También descubrió nuevos patrones de expresión de tipos de células cerebrales a través de metagenes espaciales aprendidos.

"Estos hallazgos pueden ayudarnos a pintar una imagen más completa de la complejidad de los tipos de células cerebrales", dijo Zhou.

La cantidad de estudios que utilizan tecnologías de transcriptómica espacial está creciendo rápidamente, y SPICEMIX puede ayudar a los investigadores a aprovechar al máximo estos datos de gran volumen y gran dimensión.

"Nuestro método tiene el potencial de hacer avanzar la investigación de la transcriptómica espacial y contribuir a una comprensión más profunda tanto de la biología básica como de la progresión de la enfermedad en tejidos complejos", dijo Ma.

Referencia: "SpiceMix permite el modelado espacial integrador de una sola célula de la identidad celular" por Benjamin Chidester, Tianming Zhou, Shahul Alam y Jian Ma, 9 de enero de 2023, Nature Genetics.DOI: 10.1038/s41588-022-01256-z