Pesquisadores da Escola de Ciência da Computação da Carnegie Mellon University desenvolveram um método que usa inteligência artificial para aumentar a forma como as células são estudadas e pode ajudar os cientistas a entender melhor e, eventualmente, tratar doenças.

Imagens de amostras de órgãos ou tecidos contêm milhões de células . E embora a análise dessas células in situ seja uma parte importante da pesquisa biológica, essas imagens tornam quase impossível identificá-las. células individuais , determinar sua função e entender sua organização. Uma técnica chamada transcriptômica espacial coloca essas células em foco, combinando imagens com a capacidade de quantificar o nível de genes em cada célula - dando aos pesquisadores a capacidade de estudar em detalhes vários mecanismos biológicos importantes, desde como as células imunes combatem o câncer até o impacto celular drogas e envelhecimento.

Muitas plataformas atuais de transcriptômica espacial ainda carecem da resolução necessária para uma análise mais próxima e detalhada. Essas tecnologias geralmente agrupam células em clusters que variam de várias a 50 células para cada medição, uma resolução que pode ser suficiente para células grandes bem representadas, mas que é problemática para células pequenas ou mal representadas. Essas células raras podem ser as mais críticas para a doença ou condição que está sendo estudada.

Em um novo artigo publicado na Nature Methods , os pesquisadores do Departamento de Biologia Computacional Hao Chen, Dongshunyi Li e Ziv Bar-Joseph revelaram um método que usa inteligência artificial para aumentar as mais recentes tecnologias de transcriptômica espacial.

A pesquisa da CMU se concentra em tecnologias mais recentes que produzem imagens em uma escala muito mais próxima, permitindo resolução subcelular (ou múltiplas medições por célula). Embora essas técnicas resolvam o problema de resolução, elas apresentam novos desafios porque as imagens resultantes são tão próximas que, em vez de capturar de 15 a 50 células por imagem, elas capturam apenas alguns genes. Essa reversão do problema anterior cria dificuldades na identificação dos componentes individuais e na determinação de como agrupar essas medições para aprender sobre células específicas. Também obscurece o quadro geral.

O algoritmo desenvolvido pelos pesquisadores do CBD, chamado de segmentação celular por transcriptômica espacial subcelular (SCS), utiliza IA e redes neurais profundas avançadas para identificar células de forma adaptativa e suas partes constituintes. O SCS usa modelos transformadores, semelhantes aos usados por grandes modelos de linguagem como ChatGPT, para coletar informações da área ao redor de cada medição. Assim como o ChatGPT usa todo o contexto de uma frase ou parágrafo para completar palavras, o método SCS preenche as informações que faltam para uma medida específica, incorporando informações das células ao seu redor.

Quando aplicado a imagens de amostras de cérebro e fígado com centenas de milhares de células, o SCS identificou com precisão a localização exata e o tipo de cada célula. O SCS também identificou várias células perdidas pelas abordagens de análise atuais, como células raras e pequenas que podem desempenhar um papel crucial em doenças ou processos específicos, incluindo o envelhecimento. O SCS também forneceu informações sobre a localização de moléculas dentro das células, melhorando muito a resolução na qual os pesquisadores podem estudar a organização celular.

"A capacidade de usar os avanços mais recentes em IA para auxiliar no estudo do corpo humano abre as portas para várias aplicações posteriores de transcriptômica espacial para melhorar a saúde humana ”, disse Ziv Bar-Joseph, professor de Sistemas de Aprendizado de Máquina e Computacional da FORE. Biologia da CMU. Tais aplicações downstream já estão sendo investigadas por vários grandes consórcios, incluindo o Human BioMolecular Atlas Program (HuBMAP), que está usando transcriptômica espacial para criar um mapa 3D detalhado do corpo humano.

“Ao integrar biotecnologia de ponta e IA, o SCS ajuda a desvendar várias questões em aberto sobre a organização celular que são essenciais para nossa capacidade de entender e, finalmente, tratar doenças”, acrescentou Hao Chen, um Lane Postdoctoral Fellow em CBD.

O SCS está disponível gratuitamente no GitHub .