Neue Methode des maschinellen Lernens verbessert unser Verständnis der Zellidentität

Von der Carnegie Mellon University, 17. März 2023

Unter Zellidentität versteht man die einzigartigen Merkmale und Eigenschaften, die einen Zelltyp innerhalb eines Organismus von einem anderen unterscheiden. Diese Identität wird durch die Expression spezifischer Gene bestimmt, die die Produktion von Proteinen steuern, die den Zellen ihre besonderen Funktionen und Strukturen verleihen.

Die Aktivierung und Expression von Genen zeigt Ähnlichkeiten in den Zellmustern basierend auf Typ und Funktion in allen Geweben und Organen. Das Verständnis dieser Muster verbessert unser Verständnis von Zellen und bietet Einblicke in die Aufdeckung der zugrunde liegenden Mechanismen von Krankheiten.

Das Aufkommen räumlicher Transkriptomik-Technologien hat es Wissenschaftlern ermöglicht, die Genexpression im Kontext von Gewebeproben als Ganzes zu untersuchen. Allerdings sind neue Computertechniken erforderlich, um diese Informationen zu verarbeiten und die Identifizierung und das Verständnis dieser Genexpressionsmuster zu erleichtern.

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"}]"> Machine-Learning-Tool, um diese Lücke zu schließen. Ihr Artikel über die Methode mit dem Titel SPICEMIX erschien kürzlich als Titelgeschichte von Nature Genetics.

SPICEMIX hilft Forschern dabei, die Rolle verschiedener räumlicher Muster bei der gesamten Genexpression von Zellen in komplexen Geweben wie dem Gehirn zu entschlüsseln. Dazu wird jedes Muster mit räumlichen Metagenen dargestellt – Gruppen von Genen, die mit einem bestimmten biologischen Prozess verbunden sein können und im gesamten Gewebe glatte oder sporadische Muster aufweisen können.

Das Team, zu dem Ma; Benjamin Chidester, Projektwissenschaftler in der Abteilung für Computational Biology; und Ph.D. Die Studenten Tianming Zhou und Shahul Alam verwendeten SPICEMIX, um räumliche Transkriptomikdaten aus Gehirnregionen von Mäusen und Menschen zu analysieren. Sie nutzten die einzigartigen Fähigkeiten von SPICEMIX, um die Landschaft der Zelltypen und räumlichen Muster des Gehirns aufzudecken.

„Als wir den Namen wählten, ließen wir uns vom Kochen inspirieren“, sagte Chidester. „Man kann mit den gleichen Gewürzen alle möglichen Geschmacksrichtungen herstellen. Zellen funktionieren möglicherweise auf ähnliche Weise. Sie verwenden möglicherweise einen gemeinsamen Satz biologischer Prozesse, aber die spezifische Kombination, die sie verwenden, verleiht ihnen ihre einzigartige Identität.“

Bei der Anwendung auf Gehirngewebe identifizierte SPICEMIX räumliche Muster von Zelltypen im Gehirn genauer als andere Methoden. Durch die erlernten räumlichen Metagene wurden auch neue Expressionsmuster von Gehirnzelltypen entdeckt.

„Diese Erkenntnisse könnten uns helfen, ein vollständigeres Bild der Komplexität der Gehirnzelltypen zu zeichnen“, sagte Zhou.

Die Zahl der Studien, die Technologien der räumlichen Transkriptomik nutzen, wächst rasant, und SPICEMIX kann Forschern dabei helfen, das Beste aus diesen umfangreichen, hochdimensionalen Daten zu machen.

„Unsere Methode hat das Potenzial, die räumliche Transkriptomforschung voranzutreiben und zu einem tieferen Verständnis sowohl der grundlegenden Biologie als auch des Krankheitsverlaufs in komplexen Geweben beizutragen“, sagte Ma.

Referenz: „SpiceMix ermöglicht integratives räumliches Modellieren einzelner Zellen der Zellidentität“ von Benjamin Chidester, Tianming Zhou, Shahul Alam und Jian Ma, 9. Januar 2023, Nature Genetics.DOI: 10.1038/s41588-022-01256-z