Инструмент на основе AI прогнозирует поведение клеток во время болезни и лечения

Ученые разработали инструмент, который обещает изменить способ изучения болезней и лечения болезней на клеточном уровне. Ученые разработали scGen, инструмент для искусственного интеллекта, предназначенный для прогнозирования поведения клеток in silico. scGen поможет картировать и изучать клеточный ответ на заболевание и лечение за пределами экспериментально доступных данных.

Скоро появятся крупномасштабные атласы органов в здоровом состоянии, в частности, в Атласе клеток человека. Это важный шаг в лучшем понимании клеток, тканей и органов в здоровом состоянии и дает ориентир при диагностике, мониторинге и лечении заболеваний. Однако из-за огромного количества возможных комбинаций лечения и болезненных состояний расширение этих данных для характеристики заболевания и лечения заболеваний в традиционных лабораториях наук о жизни является трудоемким и дорогостоящим и, следовательно, не масштабируемым.

Точное моделирование клеточного ответа на возмущения (например, болезни, соединения, генетические вмешательства) является главной целью вычислительной биологии. Хотя модели, основанные на статистическом и механистическом подходах, существуют, пока еще не было доступно ни одного решения, основанного на машинном обучении, подходящего для ненаблюдаемых, многомерных явлений. Кроме того, scGen является первым инструментом, который предсказывает клеточный ответ вне выборки.

Это означает, что scGen, обученный на данных, которые фиксируют влияние возмущений для данной системы, способен делать надежные прогнозы для другой системы. «Впервые у нас есть возможность использовать данные, сгенерированные в одной модельной системе, такой как мышь, и использовать данные для прогнозирования реакции на заболевание или терапию у людей», — сказал Мохаммад Лотфоллахи.

scGen — это генеративная модель глубокого обучения, которая использует идеи из обработки изображений, последовательности и языка и впервые применяет эти идеи для моделирования поведения клетки in silico. Следующий шаг для команды касается улучшения scGen до полностью управляемой данными формулировки, увеличивая ее предсказательную силу, чтобы позволить изучение комбинаций возмущений. «Теперь мы можем приступить к оптимизации scGen, чтобы отвечать на все более сложные вопросы о болезнях», — сказал Алекс Вольф, руководитель группы, и Фабиан Тейс, директор Института вычислительной биологии и кафедры математического моделирования биологических систем в Technische Universität München.