Notícias

O modelo generativo permite representações em várias escalas de células e amostras

Interpretação de conjuntos de dados médicos em grande escala: ScPoli permite representações em múltiplas escalas de células e amostras

scPoli permite aprender representações em nível de célula e em nível de amostra. aconstrução de referência scPoli: o modelo integra diferentes conjuntos de dados e aprende incorporações de condições para cada estudo integrado e um conjunto de protótipos de tipo de célula. b, mapeamento de referência scPoli: os pesos do modelo são congelados (em cinza) e um novo conjunto de incorporações de condições é adicionado ao modelo. Os rótulos de tipo de célula são transferidos do protótipo mais próximo no espaço latente. Exemplo de fluxo de trabalho padrão usando scPoli em vários conjuntos de dados de pâncreas. c,dAproximação e projeção múltipla uniforme (UMAP) dos dados brutos a serem integrados em uma referência (13.093 células), mostrando os tipos de células (c) e estudos (d) por cor. e,fDados de referência integrados coloridos por tipo de célula (e) e estude (f). g, Um total de 3.289 células de consulta (estudos celseq e celseq2) são projetadas nos dados de referência na etapa de mapeamento de referência. UMAPs mostram em cores as células de consulta e em cinza as células de referência. Os protótipos de tipo de célula de referência são mostrados em círculos maiores com uma borda preta. Protótipos não rotulados são mostrados em círculos cinzas maiores com bordas pretas. A precisão da transferência da etiqueta é de 80%. h, As células são coloridas por estudo ou origem após o mapeamento de referência. O modelo atinge uma pontuação média de integração de 0,86. euResultado da etapa de transferência do rótulo da referência à consulta. j, PCA dos embeddings de condição aprendidos pelo scPoli. Crédito: Métodos da Natureza. DOI: 10.1038/s41592-023-02035-2

A quantidade crescente de dados registados na investigação médica só pode conduzir a avanços científicos e terapias essenciais para os pacientes se forem interpretados e analisados ​​corretamente. Cientistas da computação da Helmholtz Munique desenvolveram um modelo generativo chamado scPoli (integração em nível de população de célula única), que realiza integração de dados de conjuntos de dados de células únicas em grande escala e alta qualidade para criar valiosos mapas de referência unicelulares do corpo humano, então- chamados atlas unicelulares, para pesquisa médica.

Os atlas oferecem uma abordagem rápida e detalhada para interpretação de dados, que pode ser aplicada pela comunidade de pesquisa médica, levando, em última análise, a novos insights biológicos e à compreensão de doenças. O modelo já foi introduzido em Métodos da Natureza.

Nos últimos anos, temos testemunhado um aumento astronómico tanto na quantidade como na complexidade dos dados, especialmente no campo da investigação médica. Os cientistas são agora capazes de capturar tecidos e órgãos com detalhes fascinantes – ao nível de células individuais. A combinação dos conjuntos de dados resultantes levou à criação dos chamados atlas unicelulares, que são mapas de referência de cada célula presente em um órgão específico com o objetivo de criar um mapa de todo o corpo humano.

Esses conjuntos de dados de alta qualidade e em grande escala permitem não apenas novos insights biológicos sobre a heterogeneidade celular de certos tecidos, mas também aceleram várias etapas nos fluxos de trabalho de análise que geralmente consomem muito tempo. Usando esses atlas, os pesquisadores podem agora, por exemplo, comparar órgãos de humanos saudáveis ​​com órgãos doentes de pacientes, levando a descobertas valiosas sobre o desenvolvimento e progressão da doença.

À medida que esses atlas aumentam em escala, surge a necessidade de modelos de aprendizado de máquina e algoritmos computacionais para analisar e integrar dados. Com uma abordagem de representação em múltiplas escalas de células e amostras, que muitas vezes representam pacientes em estudos de grande escala, o Prof. Fabian Theis de Helmholtz Munique e professor da Universidade Técnica de Munique, bem como o Dr. do Centro de Saúde Computacional de Helmholtz Munique desenvolveram um novo modelo generativo denominado scPoli (abreviação de integração em nível de população unicelular).

Este é o primeiro modelo de integração de dados que pode produzir representações tanto para células quanto para amostras. Com este novo modelo generativo, os conjuntos de dados médicos podem ser facilmente analisados ​​para identificar as principais fontes de variabilidade, ao mesmo tempo que se tem consciência da heterogeneidade natural que ocorre entre dados de diferentes indivíduos e células.

A equipe desenvolveu o scPoli com a intenção de melhorar a interpretabilidade de estudos unicelulares. Ao contrário de outros modelos, que produzem apenas representações celulares, o scPoli oferece um novo ponto de vista aos pesquisadores para investigar e vincular padrões no nível da amostra, o que tem o potencial de melhorar os fluxos de trabalho de integração e a interpretação.

Os pesquisadores da Helmholtz Munique já demonstraram a funcionalidade de seu modelo integrando dados de dois grandes atlas unicelulares. A integração do Human Lung Cell Atlas, um mapa de referência do pulmão publicado recentemente pela equipe do Prof. Fabian Theis, mostrou uma melhoria no desempenho e ofereceu uma nova visão em nível de amostra.

Além disso, o scPoli foi usado para integrar um atlas PBMC em grande escala (um atlas unicelular de células mononucleares do sangue periférico), composto por 7,8 milhões de células, o que destaca as possíveis propriedades de escala, que são fundamentais para estudos de integração em larga escala.

ScPoli é único em comparação com esforços anteriores de integração de dados. Ele propõe vários casos de uso para análise em múltiplas escalas porque, pela primeira vez, os cientistas são capazes de explorar simultaneamente representações de células e amostras ou pacientes, capturando as características e características de células individuais com muito mais detalhes do que nunca. É demonstrado que o scPoli pode permitir a classificação multiescala de células e amostras, bem como fluxos de trabalho guiados de integração de dados.

O modelo tem o potencial de acelerar a construção e utilização de atlas, o que por sua vez acelera a compreensão da doença e o desenvolvimento de novas terapias.

Mais Informações:
De Donno et al, A integração em nível populacional de conjuntos de dados unicelulares permite análises em várias escalas entre amostras. Métodos da Natureza. DOI: 10.1038/s41592-023-02035-2. www.nature.com/articles/s41592-023-02035-2

Fornecido pela Associação Helmholtz de Centros de Pesquisa Alemães

Citação: Interpretando conjuntos de dados médicos em grande escala: o modelo generativo permite representações em várias escalas de células e amostras (2023, 9 de outubro) recuperado em 9 de outubro de 2023 em https://medicalxpress.com/news/2023-10-large-scale-medical- conjuntos de dados-generative-enables.html

Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem permissão por escrito. O conteúdo é fornecido apenas para fins informativos.

Looks like you have blocked notifications!

Segue as Notícias da Comunidade PortalEnf e fica atualizado.(clica aqui)

Portalenf Comunidade de Saúde

A PortalEnf é um Portal de Saúde on-line que tem por objectivo divulgar tutoriais e notícias sobre a Saúde e a Enfermagem de forma a promover o conhecimento entre os seus membros.

Deixe um comentário

O seu endereço de email não será publicado. Campos obrigatórios marcados com *

Este site utiliza o Akismet para reduzir spam. Fica a saber como são processados os dados dos comentários.

Botão Voltar ao Topo
Keuntungan Bermain Di Situs Judi Bola Terpercaya Resmi slot server jepang
Send this to a friend