En la investigación de enfermedades, es importante saber dónde se produce la expresión genética y en qué lugar del tejido se produce, pero unir los dos conjuntos de información puede resultar difícil.
“Las tecnologías unicelulares, particularmente en el campo emergente de la transcriptómica espacial, ayudan a los científicos a ver dónde se activan o desactivan los genes en un tejido. Esto proporciona información sobre la actividad genética precisamente dentro de los tejidos enfermos”, explica Fan Zhang, PhD, asistente. profesor de medicina con nombramiento secundario en el Departamento de Informática Biomédica de la Facultad de Medicina de la Universidad de Colorado.
“Esto es realmente valioso porque permite a los médicos e investigadores ver no sólo qué genes están activos, sino también dónde están activos, lo que puede proporcionar información clave sobre cómo se comportan las diferentes células en condiciones de enfermedad. Cómo comportarse e interactuar”.
Combinar eficazmente la ubicación y la información genética ha sido un obstáculo difícil para los investigadores… hasta ahora.
Zhang y su laboratorio desarrollaron un nuevo método computacional de aprendizaje automático, llamado vista múltiple transcriptómica espacial, o “STew” para abreviar, que permite el análisis combinado de la variación espacial y los cambios en la expresión genética de manera escalable. . Células
Esta nueva tecnología podría ayudar a los investigadores a aprender más sobre la biología local detrás de muchas enfermedades diferentes y conducir a mejores tratamientos.
Un camino hacia un objetivo preciso para un tratamiento eficaz
La nueva tecnología es precisa a la hora de encontrar patrones importantes que muestran dónde ocurren actividades celulares específicas, lo cual es importante para comprender cómo funcionan las células y cómo se estructuran los tejidos clínicos en las enfermedades. El laboratorio de Zhang ya ha utilizado con éxito STew en tejidos humanos, incluido el cerebro humano, la piel inflamada y los tumores de cáncer de mama.
Para Zhang, que estudia enfermedades inflamatorias utilizando herramientas de inteligencia artificial computacional y métodos traslacionales, encontrar un buen objetivo para el tratamiento suele ser un desafío, pero STew podría ayudar a cambiar eso.
“Con las articulaciones inflamadas, por ejemplo, los genes que causan la inflamación pueden estar más cerca de los vasos sanguíneos a través de interacciones con estructuras mesenquimales, o pueden estar más distantes, pero conocer la ubicación exacta y las muestras de comunicación entre células nos ayudan a comprender mejor los mecanismos subyacentes. ,” ella dice.
Al combinar la biología local y la diversidad molecular, STew ofrece a los investigadores una nueva dimensión en la clasificación genética de los pacientes.
“Si se utiliza únicamente la expresión genética para clasificar a los pacientes, no se tiene el panorama completo”, dice Zhang. “Una vez que agregas información espacial, obtienes una comprensión más completa”.
“Esperamos que STew sea útil para descubrir señales moleculares y celulares importantes en una variedad de condiciones clínicas, como vías inmunes desreguladas, para intervenir en el tratamiento de varios tipos de tumores y trastornos autoinmunes. Para abrir nuevas vías”, dijo. continúa.
Una nueva forma basada en software para potenciar la colaboración
Hay otro beneficio que viene con el desarrollo de STew: la colaboración. Los descubrimientos científicos suelen beneficiarse de la colaboración de expertos de diferentes disciplinas.
Debido a la amplia aplicación de STew, Zhang afirma que el software reunirá a los investigadores de formas nuevas y apasionantes que, en última instancia, beneficiarán al campo de la medicina y serán prometedores para los pacientes que necesitan tratamiento.
“Queremos alentar a los investigadores de todas las especialidades, habilidades e incluso departamentos a colaborar de maneras que antes no podían”, dice Zhang. “Podemos hacer más juntos, por lo que es importante aprovechar la colaboración basada en datos y herramientas de inteligencia artificial de una manera que sea significativa”.
