Des chercheurs du VCU Massey Comprehensive Cancer Center ont développé un nouvel algorithme appelé tacite (affectation basée sur le seuil de types de cellules à partir de données d’imagerie multiplexées) qui disent raccourcir le temps nécessaire pour identifier les types de cellules de plus d’un mois à quelques minutes. Détails du développement de tacite, publié dans Communications de la natureMontrez qu’il offre une méthode évolutive pour attribuer des identités cellulaires en fonction des profils d’expression des marqueurs cellulaires qui est essentiel pour le diagnostic du cancer et la planification du traitement.

«Nous utilisons l’intelligence artificielle pour accroître l’efficacité et aussi la précision du diagnostic», a déclaré Jinze Liu, PhD, chercheur et professeur Massey à la VCU School of Public Health. «Et lorsque nous gagnons plus de données, la capacité de Tacit à augmenter les résultats positifs des patients ne se multipliera que.»

Tacit a été développé par Liu et Kevin Byrd, DDS, PhD, professeur adjoint à la VCU School of Dentistry, pour automatiser et améliorer l’identification des types de cellules à partir de données omiques spatiales, l’un des grands défis dans le domaine de la biologie spatiale. Les technologies de biologie spatiale permettent aux scientifiques de cartographier l’emplacement et les interactions des cellules dans les tissus à haute résolution, mais l’identification des types de cellules individuelles à partir de ces données complexes est restée lente et sujette aux erreurs.

Les méthodes de clustering traditionnelles non supervisées, telles que les algorithmes de Louvain utilisées dans le séquençage d’ARN unique, ont des limites lorsqu’elles sont appliquées aux données omiques spatiales, en particulier lorsque les ensembles de marqueurs sont petits ou lorsque des types de cellules rares sont impliqués. “Cet ensemble de marqueurs clairsemés, souvent d’une seule modalité, n’a pas la puissance de séparer les populations de cellules attendues dans l’espace de fonctionnalité intégrée, posant un formidable obstacle pour le regroupement non supervisé pour détecter tous les types de cellules, en particulier les chercheurs”, ont écrit les chercheurs.

Tacite surmonte ces défis en se concentrant sur les caractéristiques pertinentes des types de cellules prédéfinis et en déconventant des populations ambiguës ou mixtes en utilisant un seuil impartial. Selon les chercheurs, «Tacit automatise l’annotation de type cellulaire, imitant la déclenchement manuel avec une évolutivité et une précision améliorées. Cette méthode excelle dans le phénotypage basé sur la conception du panneau multiplex, identifiant efficacement les populations de cellules dominantes et rares sans biais.»

Lors des tests d’analyse comparative, Tacit a été appliqué à plus de 5 millions de cellules sur 51 types de cellules dans les tissus, y compris le cerveau, l’intestin et les glandes salivaires. L’équipe VCU a montré qu’elle surclassait trois algorithmes non supervisés existants en matière de précision et d’évolutivité. Les chercheurs ont montré que Tacit maintenait 81% un accord entre les types de données sur les protéines et l’ARN, ce qui en fait un candidat solide pour les applications de translation.

Liu a noté que Tacit pourrait devenir un outil précieux pour recruter plus efficacement les patients pour des essais cliniques. “L’un de nos objectifs en tant que scientifiques est d’identifier de bons biomarqueurs spatiaux pour les essais cliniques afin que nous puissions prédire les réponses des patients à l’essai avant même qu’ils ne soient inscrits”, a-t-il déclaré. «Nous avons déjà travaillé avec plusieurs enquêteurs principaux sur [VCU’s] Le campus comprend la biologie spatiale dans les essais cliniques, et Tacit peut fournir ces conseils afin que nous puissions nous assurer que les patients des essais cliniques reçoivent les meilleurs traitements possibles. »

La polyvalence de l’algorithme lui permet également de fonctionner sur plusieurs plateformes de biologie spatiale, avec des applications potentielles en pharmacologie. «Nous avons un grand référentiel de [FDA] Médicaments approuvés que nous pouvons mapper sur les échantillons de tissus », a déclaré Byrd.« Imaginez si vous pouviez dire à un patient: «Voici déjà un [FDA] médicament approuvé. ”

Le développement de Tacit s’appuie sur des travaux antérieurs dans les méthodes de transfert de lacets unicellulaires, mais offre un degré plus élevé d’évolutivité et de cohérence multiplateforme. Dans une expérience, les chercheurs ont appliqué Tacite à l’ensemble de données de la plate-forme de xénium et ont pu affiner les annotations de type cellulaire et découvrir des marqueurs spécifiques au type de cellule, validant davantage son efficacité.

À l’avenir, les chercheurs prévoient d’étendre les capacités de Tacit en intégrant des technologies d’Omics spatiales supplémentaires. “L’analyse combinée des ensembles de données multioomiques spatiales dans (maladie de greffe contre l’hôte) a révélé l’importance d’intégrer la transcriptomique spatiale et la protéomique pour le phénotypage profond”, ont écrit les chercheurs.

Malgré ses forces, les limites actuelles de Tacit comprennent la variabilité de la qualité des marqueurs et la nécessité de panneaux multimodaux mieux conçus. “Les écarts de notre ensemble de données final, qui combine les transcriptomiques et la protéomique sur une seule diapositive, mettent en évidence la nécessité de panneaux multimodaux mieux conçus pour identifier avec précision les types de cellules dans les ensembles de données spatiaux”, ont écrit les chercheurs.

Néanmoins, Liu et Byrd considèrent Tacit comme un outil fondamental pour la recherche clinique et les soins aux patients, notant que l’algorithme a le potentiel d’intégrer des données moléculaires sur les plateformes et les types de cellules pour soutenir une approche plus raffinée et personnalisée du traitement du cancer.