新的机器学习方法提高了我们对细胞角色的理解

[none]

新的机器学习方法提高了我们对细胞角色的理解

基因的激活和表达揭示了整个组织和器官中基于类型和功能的细胞模式的相似性。了解这些模式可以提高我们对细胞的理解，并为揭示疾病的潜在机制提供见解。空间转录组学技术的出现使科学家能够在整个组织样本的范围内检查基因表达。然而，需要新的计算技术来处理这些信息并促进对这些基因表达模式的识别和理解。

细胞特性是指在生物体内将一种类型的细胞与另一种类型的细胞区分开来的独特特征和属性。这种特性是由特定基因的表达决定的，这些基因控制着蛋白质的生产，使细胞具有特定的功能和结构。

由卡内基梅隆大学计算机科学学院计算生物学教授Ray and Stephanie Lane领导的一个研究小组已经开发了一个机器学习工具来填补这一空白。他们关于该方法的论文被称为SPICEMIX，最近作为《自然-遗传学》的封面故事出现。

SPICEMIX帮助研究人员理清不同的空间模式在像大脑这样的复杂组织中的细胞的整体基因表达中所扮演的角色。它通过用空间元基因代表每一种模式来做到这一点--这些基因组可能与一个特定的生物过程有关，并能在整个组织中显示平滑或零星的模式。

该团队包括Ma、计算生物学系的项目科学家Benjamin Chidester以及博士生Tianming Zhou和Shahul Alam，他们使用SPICEMIX来分析来自小鼠和人类大脑区域的空间转录组学数据。他们利用SPICEMIX的独特功能，揭示了大脑细胞类型和空间模式的景观。

"当我们选择这个名字时，我们受到了烹饪的启发，"Chidester说。"你可以用同一组调料做出各种不同的味道。细胞可能以类似的方式工作。它们可能使用一套共同的生物过程，但它们使用的特定组合使它们具有独特的身份。"

当应用于脑组织时，SPICEMIX比其他方法更准确地确定了大脑中细胞类型的空间模式。它还通过学到的空间元基因发现了新的脑细胞类型的表达模式。

使用空间转录组学技术的研究数量正在迅速增长，而SPICEMIX可以帮助研究人员充分利用这种高容量、高维度的数据。这些发现可能有助于我们对脑细胞类型的复杂性进行更全面的描绘。有可能推动空间转录组学研究，并有助于更深入地了解复杂组织的基本生物学和疾病进展。