Los investigadores desarrollan soluciones de inteligencia artificial para la investigación médica de última generación

(Noticias de Nanwerk) Los datos no son solo la respuesta a numerosas preguntas en el mundo de los negocios; lo mismo se aplica a la investigación biomédica. Para desarrollar nuevas terapias o estrategias de prevención de enfermedades, los científicos necesitan más y mejores datos, cada vez más rápido. Sin embargo, la calidad suele ser muy variable y la integración de diferentes conjuntos de datos suele ser casi imposible.

Con el Computational Health Center en Helmholtz Munich, ahora se está estableciendo uno de los mayores centros de investigación de inteligencia artificial en ciencias médicas de Europa bajo la dirección de Fabian Theis. En estrecha colaboración con la Universidad Técnica de Múnich (TUM), más de cien científicos están utilizando la inteligencia artificial y el aprendizaje automático para descubrir soluciones precisamente a estos problemas, lo que permite innovaciones médicas para una sociedad más saludable.

En el último número de la revista Métodos de la naturaleza, presentan tres artículos con nuevas soluciones rompedoras. las probabilidades de destino de CellRank para la regeneración pulmonar; Cada celda se coloca en una posición que refleja su probabilidad de alcanzar cualquier estado terminal. (Imagen: Marius Lange, Helmholtz Múnich)

Fabian Theis, Director del Centro de Salud Computacional en Helmholtz Munich y Profesor de Modelado Matemático de Sistemas Biológicos en TUM: “Han sido 4 semanas locas, con muchas de nuestras historias y métodos científicos dando frutos en ese mismo período de tiempo. Nuestros grupos de investigación se centran en el uso de la genómica de una sola célula para comprender el origen de la enfermedad de manera mecanicista; para ello, aprovechamos y desarrollamos enfoques de aprendizaje automático para representar mejor estos datos complejos. En los tres nuevos documentos, trabajamos en la integración de datos de una sola celda, el aprendizaje de trayectorias y la resolución espacial, respectivamente. Además de las aplicaciones que se muestran en los documentos, esperamos respaldar la próxima generación de investigación unicelular hacia la comprensión de la enfermedad”.

Aquí están las últimas soluciones desarrolladas por los investigadores de Helmholtz Munich y TUM:

Resolviendo el desafío de la integración de datos

Para ver si una observación que uno hace en un solo conjunto de datos se puede generalizar, puede verificar si lo mismo se puede observar en otros conjuntos de datos del mismo sistema. En los datos de una sola celda, los llamados efectos por lotes complican la combinación de conjuntos de datos de esta manera. Estas son diferencias en los perfiles moleculares entre muestras, ya que se generaron en un momento diferente, en un lugar diferente o de una persona diferente. Superar estos efectos es un desafío central en la genómica unicelular con más de 50 soluciones propuestas.

Pero, ¿cuál es el mejor? Un grupo de investigadores de Malte Lücken seleccionó cuidadosamente 86 conjuntos de datos y comparó 16 de los métodos de integración de datos más populares en 13 tareas. Después de más de 55 000 horas de tiempo de cómputo y una evaluación detallada de 590 resultados, crearon una guía para optimizar la integración de datos. Esto permite mejores observaciones sobre los procesos de enfermedades en conjuntos de datos a escala de población.

Predicción de estados celulares con software de código abierto

Muchas preguntas en biología giran en torno a procesos continuos como el desarrollo o la regeneración. Para cualquier célula en dicho proceso, la secuenciación de ARN de una sola célula mide la expresión génica. El método, sin embargo, es destructivo para las células y los científicos obtienen solo instantáneas estáticas. Por lo tanto, se han desarrollado muchos algoritmos para reconstruir procesos continuos a partir de instantáneas de expresión génica. Una limitación común: estos algoritmos no pueden decirnos nada sobre la dirección del proceso.

Para superar esta limitación, Marius Lange y sus colegas desarrollaron un nuevo algoritmo llamado CellRank. Estima trayectorias de estado celular dirigidas mediante la combinación de enfoques de reconstrucción anteriores con la velocidad del ARN, un concepto para estimar la regulación al alza o a la baja de genes. En aplicaciones in vitro e in vivo, CellRank infirió correctamente los resultados del destino y recuperó genes previamente conocidos.

En un ejemplo de regeneración pulmonar, CellRank predijo nuevos estados celulares intermedios en una trayectoria de desdiferenciación cuya existencia se validó experimentalmente. CellRank es un paquete de software de código abierto que ya utilizan biólogos y bioinformáticos de todo el mundo para analizar dinámicas celulares complejas en situaciones como el cáncer, la reprogramación o la regeneración.

Visualización del análisis ómico espacial

En los últimos años se ha visto un desarrollo creciente de tecnologías para medir la variación de la expresión génica en los tejidos. La ventaja de estas tecnologías es que los científicos pueden ver las células en su contexto, pudiendo así investigar los principios de la organización de los tejidos y la comunicación celular. Los investigadores necesitan marcos computacionales flexibles para almacenar, integrar y visualizar la creciente diversidad de dichos datos.

Para hacer frente a este desafío, Giovanni Palla, Hannah Spitzer y sus colegas desarrollaron un nuevo marco computacional, llamado Squidpy. Permite a los analistas y desarrolladores manejar datos de expresión génica espacial. Squidpy integra herramientas para la expresión génica y el análisis de imágenes para manipular de manera eficiente y visualizar de forma interactiva los datos ómicos espaciales. Squidpy es extensible y puede interactuar con una variedad de herramientas de aprendizaje automático en el ecosistema de Python. Los científicos de todo el mundo ya lo están utilizando para analizar datos moleculares espaciales.

Publicaciones originales

Lucken et al. 2021: evaluación comparativa de la integración de datos a nivel de atlas en genómica unicelular. Métodos de la naturaleza, DOI: 10.1038/s41592-021-01336-8.

Lange et al. 2022: CellRank para el mapeo dirigido del destino de una sola célula. Métodos de la naturaleza, DOI: 10.1038/s41592-021-01346-6.

Palla, Spitzer et al. 2022: Squidpy: un marco escalable para el análisis ómico espacial. Métodos de la naturaleza, DOI: 10.1038/s41592-021-01358-2.