Нейронные сети вытесняют анализ маркерных генов при секвенировании РНК

Ученые из Университета Корнеги-Меллона нашли новый эффективный способ описания типов клеток после одноклеточного секвенирования РНК (scRNA-seq).

Новый метод предполагает использование нейронных сетей и  контролируемого машинного обучения, а не маркерных генов, которые недоступны для всех типов клеток.

Используя эту новую автоматизированную технику, исследователи могут проанализировать все данные одноклеточного секвенирования РНК, и выбирать только те параметры, которые необходимы для того, чтобы отличить один тип клетки от другого. Это позволяет исследователям анализировать и сравнивать все типы клеток.

В последние годы одноклеточное секвенирование стало популярным инструментом, который позволяет исследователям идентифицировать типы клеток или видеть разницу между здоровой и больной клеткой или клеткой предшественницей.

Ранее требовалась обработка нескольких или серии клеток для получения результатов секвенирования, которые бы отражали их среднее значение.

Новый метод, недавно описанный в журнале Nature Communications, будет использоваться в рамках новой программы «Биомолекулярный атлас», разработанной Национальным институтом здравоохранения, которая создает трехмерную карту человеческого тела, которая покажет, как ткани отличаются друг от друга на клеточном уровне.

Amir Alavi и его коллеги разработали автоматизированный источник информации с целью загрузки всех общедоступных данных scRNA-seq, доступных на мышах из крупнейших исследований, для идентификации генов и белков, представленных в каждой клетке.

Затем клетки маркировали по типу, и нейронная сеть, смоделированная на основе мозга человека, использовалась для сравнения отдельных клеток и идентификации параметров их дифференцировки.

Чтобы проверить модель, Alavi и команда использовали данные scRNA-seq из исследования на животных. В результате исследований болезни Альцгеймера, как и ожидалось, было определено аналогичное количество клеток головного мозга как в здоровой, так и в больной ткани, причем пораженная ткань содержит значительно больше иммунных клеток в качестве ответа на болезнь.

Авторы исследования также описывают веб-сервер под названием scQuery, который позволяет использовать этот метод всем исследователем.

Как только эксперимент с одной клеткой вводится в scQuery, нейронная сеть  и вычислительные методы сопоставления быстро идентифицируют типы клеток, а также предыдущие исследования подобных клеток.