Модель ИИ улавливает скрытые признаки заболеваний на клеточном уровне

Фото из открытых источников

Исследователи из Университета Макгилла разработали инструмент машинного обучения, который выявляет связанные с заболеваниями закономерности в экспрессии РНК с более высоким разрешением, чем традиционные методы. Инструмент, получивший название DOLPHIN, фокусируется на данных на уровне экзонов в отдельных клетках и способен обнаруживать биологические сигналы, которые часто упускаются при анализе на уровне генов.

В исследовании, опубликованном в журнале Nature Communications, описывается, как модель способствует выявлению вариаций сплайсинга РНК — изменений в том, как РНК собирается из строительных блоков, называемых экзонами, — что позволяет выявить ранние признаки прогрессирования или тяжести заболевания.

В клеточной биологии многие маркеры заболеваний проявляются в виде незначительных изменений в сплайсинге РНК. Традиционные подходы объединяют данные об экспрессии РНК в общее количество генов, что потенциально скрывает различия, возникающие в отдельных сегментах. Вместо этого DOLPHIN анализирует считывания экзонов и участков соединения, повышая разрешение транскриптомики отдельных клеток и предоставляя более чёткую картину молекулярной активности в норме и при патологии.

В одном из анализов образцов рака поджелудочной железы исследователи применили DOLPHIN для идентификации более 800 экзонных маркеров, которые не были обнаружены другими инструментами. Модель позволила дифференцировать пациентов с высокорискованными формами заболевания от пациентов с менее агрессивными опухолями на основе этих вновь обнаруженных сигналов.

Помимо идентификации маркеров, модель может имитировать поведение клеток в ответ на лечение, создавая более подробные профили клеточных состояний. Эти профили позволяют исследователям создавать «виртуальные клетки» — компьютерные модели реальных клеток, — которые можно использовать для прогнозирования реакции на лекарственные препараты до лабораторных или клинических испытаний.

Авторы предполагают, что такой тип моделирования может сократить время и затраты на ранних этапах исследования лекарственных препаратов, поскольку он способствует выработке гипотез до начала экспериментов.

Следующий этап исследования будет включать масштабирование инструмента для анализа миллионов клеток в различных наборах данных. Это расширение призвано повысить разрешение и предсказательную способность моделирования виртуальных клеток, что потенциально улучшит моделирование заболеваний в будущих исследованиях.