AI-metoden forudsiger, hvordan celler er organiseret i sygdomsmikromiljøer

Forskere ved University of California San Diego har udviklet en ny kunstig intelligens (AI)-metode, der kan forudsige, hvordan celler er organiseret i sygdomsmikromiljøer. Metoden, kaldet sc-ATAC-seq, kan identificere sjældne celletyper og deres interaktioner i komplekse væv. Disse oplysninger kan hjælpe forskere med bedre at forstå, hvordan sygdomme udvikler sig og spredes og potentielt føre til nye behandlinger.

"Ved at forstå, hvordan celler er organiseret i sygdomsmikromiljøer, kan vi få indsigt i sygdomsmekanismer og udvikle målrettede terapier," siger Dr. Bing Ren, professor i cellulær og molekylær medicin ved UC San Diego og seniorforfatter af undersøgelsen.

I øjeblikket bruger forskere normalt enkeltcellet RNA-sekventering (scRNA-seq) til at studere genekspression i individuelle celler. Mens scRNA-seq giver værdifuld information om de gener, der er aktive i en celle, kan den ikke give information om cellens interaktioner med andre celler i vævet.

sc-ATAC-seq adresserer denne begrænsning ved at bruge en teknik kaldet assay for transposase-tilgængelig kromatin-sekventering (ATAC-seq). ATAC-seq måler tilgængeligheden af ​​DNA til transposaser, som er enzymer, der kan indsætte DNA i genomet. Åbne kromatinregioner er normalt forbundet med aktive gener, mens lukkede kromatinregioner er forbundet med inaktive gener. sc-ATAC-seq kombinerer ATAC-seq med scRNA-seq for at give information om både genekspression og kromatintilgængelighed i individuelle celler.

"Vi fandt ud af, at sc-ATAC-seq kan identificere sjældne cellepopulationer, som ofte savnes af scRNA-seq alene," sagde Dr. Xinyu Zhao, den første forfatter til undersøgelsen og en postdoc-forsker ved UC San Diego. "For eksempel var vi i stand til at identificere en population af kræftstamceller, der er ansvarlige for tumorvækst og metastaser."

Forskerne videreudviklede et sæt beregningsværktøjer til at analysere sc-ATAC-seq-data og forudsige organiseringen af ​​celler i vævsmikromiljøer. Disse værktøjer giver forskere mulighed for at generere rumlige kort over celler og identificere sjældne celle-celle-interaktioner, der kan være vigtige for sygdomsudvikling.

"Vi tror på, at sc-ATAC-seq vil være et værdifuldt værktøj til at studere en bred vifte af sygdomme, herunder kræft, neurodegenerative sygdomme og autoimmune sygdomme," sagde Ren. "Det kan også bruges til at udvikle nye terapier, der retter sig mod specifikke celle-celle-interaktioner i sygdomsmikromiljøer."

Undersøgelsen blev offentliggjort i tidsskriftet Nature Biotechnology.