Novo método de aprendizado de máquina melhora nossa compreensão da identidade celular

Por Carnegie Mellon University, 17 de março de 2023

A identidade celular refere-se às características e propriedades únicas que distinguem um tipo de célula de outro dentro de um organismo. Essa identidade é determinada pela expressão de genes específicos, que controlam a produção de proteínas que conferem às células suas funções e estruturas específicas.

A ativação e a expressão de genes revelam semelhanças nos padrões celulares com base no tipo e função em todos os tecidos e órgãos. Compreender esses padrões melhora nossa compreensão das células e oferece insights para descobrir os mecanismos subjacentes das doenças.

O surgimento de tecnologias de transcriptômica espacial permitiu aos cientistas examinar a expressão gênica no contexto de amostras de tecido como um todo. No entanto, novas técnicas computacionais são necessárias para processar essas informações e facilitar a identificação e compreensão desses padrões de expressão gênica.

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"}]"> ferramenta de aprendizado de máquina para preencher essa lacuna. Seu artigo sobre o método, chamado SPICEMIX, apareceu recentemente como matéria de capa da Nature Genetics.

O SPICEMIX ajuda os pesquisadores a desvendar o papel que diferentes padrões espaciais desempenham na expressão gênica geral de células em tecidos complexos como o cérebro. Ele faz isso representando cada padrão com metagenes espaciais – grupos de genes que podem estar conectados a um processo biológico específico e podem exibir padrões suaves ou esporádicos no tecido.

A equipe, que incluía Ma; Benjamin Chidester, um cientista do projeto no Departamento de Biologia Computacional; e Ph.D. os alunos Tianming Zhou e Shahul Alam usaram o SPICEMIX para analisar dados transcriptômicos espaciais de regiões cerebrais em camundongos e humanos. Eles aproveitaram os recursos exclusivos do SPICEMIX para descobrir a paisagem dos tipos de células e padrões espaciais do cérebro.

"Fomos inspirados pela culinária quando escolhemos o nome", disse Chidester. "Você pode fazer todos os tipos de sabores diferentes com o mesmo conjunto de especiarias. As células podem funcionar de maneira semelhante. Elas podem usar um conjunto comum de processos biológicos, mas a combinação específica que usam lhes dá uma identidade única".

Quando aplicado a tecidos cerebrais, o SPICEMIX identificou padrões espaciais de tipos de células no cérebro com mais precisão do que outros métodos. Ele também descobriu novos padrões de expressão de tipos de células cerebrais por meio dos metagenes espaciais aprendidos.

"Essas descobertas podem nos ajudar a pintar um quadro mais completo da complexidade dos tipos de células cerebrais", disse Zhou.

O número de estudos usando tecnologias de transcriptômica espacial está crescendo rapidamente, e o SPICEMIX pode ajudar os pesquisadores a aproveitar ao máximo esses dados de alto volume e alta dimensão.

"Nosso método tem o potencial de avançar na pesquisa de transcriptômica espacial e contribuir para uma compreensão mais profunda da biologia básica e da progressão da doença em tecidos complexos", disse Ma.

Referência: "SpiceMix permite modelagem espacial integrativa de célula única de identidade celular" por Benjamin Chidester, Tianming Zhou, Shahul Alam e Jian Ma, 9 de janeiro de 2023, Nature Genetics. DOI: 10.1038/s41588-022-01256-z