Sposób, w jaki różne komórki organizują się w tkance w celu wspierania funkcji tkanki, pozostaje słabo poznany. Teraz badacze opracowali algorytm oparty na sztucznej inteligencji, który pomaga zrozumieć, w jaki sposób komórki komunikują się ze sobą i organizują w określone tkanki. Wykorzystując kilka typów danych przestrzennych, algorytm CytoCommunity identyfikuje sąsiedztwa komórek tkankowych (TCN) na podstawie fenotypów komórek i ich rozmieszczenia przestrzennego.

To nowe narzędzie przetestowano na dwóch typach tkanek nowotworowych, aby odkryć, w jaki sposób te „sąsiedztwa” komórek oddziałują ze sobą, aby uniknąć terapii, a przyszłe badania mogą ujawnić więcej informacji na temat funkcji tych komórek w mikrośrodowisku nowotworu.

Wyniki opublikowano w czasopiśmie Metody naturyw artykule „Nienadzorowane i nadzorowane odkrywanie sąsiadów komórek tkankowych na podstawie fenotypów komórek”.

Aby zrozumieć, w jaki sposób różne komórki organizują się, aby wspierać funkcje tkanki, badacze zaproponowali koncepcję TCN w celu opisania jednostek funkcjonalnych, w których różne, powtarzające się typy komórek współpracują ze sobą, aby wspierać określone funkcje tkanki. W przypadku poszczególnych osób funkcje tych obywateli państw trzecich pozostaną takie same. Jednak przełożenie ogromnej ilości informacji zawartych w danych z omiki przestrzennej na modele i hipotezy, które badacze mogą interpretować i testować, wymaga zaawansowanych algorytmów sztucznej inteligencji.

„Bardzo trudno jest badać mikrośrodowisko tkankowe, sposób, w jaki poszczególne komórki organizują się, zachowują i komunikują ze sobą” – powiedział dr Kai Tan, badacz w Centrum Badań nad Rakiem Dziecięcym w CHOP i profesor na wydziale pediatrii oraz Perelman School of Medicine na Uniwersytecie Pensylwanii. „Do czasu niedawnych postępów w tak zwanej technologii omiki przestrzennej niemożliwe było przestrzenne scharakteryzowanie ponad 100 białek lub setek, a nawet tysięcy genów w kawałku tkanki, w którym mogły znajdować się setki tysięcy komórek i odpowiadających im genów. ”

W tym badaniu naukowcy opracowali algorytm CytoCommunity oparty na uczeniu głębokim w celu identyfikacji TCN na podstawie tożsamości komórek w próbce tkanki, ich rozmieszczenia przestrzennego, a także danych klinicznych pacjentów, co może pomóc badaczom lepiej zrozumieć, w jaki sposób sąsiedztwo komórek jest zorganizowane i są powiązane z określonymi wynikami klinicznymi.

Autorzy zauważyli, że CytoCommunity „uczy się mapowania bezpośrednio z przestrzeni fenotypu komórki do przestrzeni TCN przy użyciu grafowego modelu sieci neuronowej bez pośredniego grupowania osadzonych komórek. Wykorzystując łączenie wykresów, CytoCommunity umożliwia identyfikację od nowa TCN specyficznych dla stanu i przewidywalnych pod nadzorem etykiet próbek”.

W tym badaniu wykorzystano próbki tkanek z guzów piersi i jelita grubego ze względu na dużą ilość dostępnych danych, wystarczającą do wytrenowania algorytmu w celu identyfikacji TCN powiązanych z podtypami chorób wysokiego ryzyka. Wykorzystując CytoCommunity do danych dotyczących raka piersi i jelita grubego, algorytm ujawnił nowe TCN wzbogacone w fibroblasty i TCN wzbogacone w granulocyty, specyficzne odpowiednio dla raka piersi wysokiego ryzyka i raka jelita grubego.

„Ponieważ udało nam się udowodnić skuteczność CytoCommunity, kolejnym krokiem jest zastosowanie tego algorytmu do danych dotyczących zarówno zdrowych, jak i chorych tkanek, generowanych przez konsorcja badawcze, takie jak HuBMAP (Program Human BioMolecular Atlas Program) i HTAN (Human Tumor Atlas Network)”. powiedział Tan. „Na przykład wykorzystując dane dotyczące nowotworów wieku dziecięcego, takich jak białaczka, nerwiak niedojrzały i glejaki o wysokim stopniu złośliwości, mamy nadzieję znaleźć sąsiedztwa komórek tkankowych, które mogą być powiązane z odpowiedziami na określone terapie, i połączyć nasze odkrycia z danymi genetycznymi, aby pomóc określić, które szlaki genetyczne mogą być zaangażowane na poziomie komórkowym i molekularnym.”