Biyolojinin mikro ve makrosunu mekansal omik ve yapay zeka ile haritalamak

Bu iki teknolojinin birlikte gelişmesiyle birlikte, mekansal omiklerden yapay zeka odaklı biyolojik keşifler için fırsatlar çoktur. Uzaysal omik yapay zeka yöntemlerinin hızla gelişen manzarasına baktığımızda, iki geniş yeni yöntem kategorisinin öne çıktığını görüyoruz.

İlk kategoride, mekansal omiklerin kullanılabilirliğini geliştirmeyi ve araştırmacılar için daha zengin alt analizler sağlamayı amaçlayan yapay zeka yöntemleri yer alıyor. Bu tür yöntemler, uzaysal omiklere özgü yüksek boyutluluk ve sinyal-gürültü oranıyla başa çıkmak için özel olarak tasarlanmıştır. Bazıları verilerden teknik yapaylıkları ve toplu efektleri kaldırmak için kullanılır. Topluca “süper çözünürlük yöntemleri” olarak bilinen diğer yöntemler, uzaysal omik analizlerinin çözünürlüğünü neredeyse tek hücreli seviyelere çıkarmak için yapay zekayı kullanır. Başka bir yaklaşım grubu, ayrışmış tek hücreli omikleri uzaysal omiklerle bütünleştirmeyi amaçlıyor. Toplu olarak, bu yapay zeka yöntemleri gelecekteki mekansal omik teknolojileriyle aradaki boşluğu dolduruyor.

İkinci kategoride yapay zeka yöntemleri mekansal omiklerden yeni biyoloji keşfetmeyi amaçlamaktadır. Uzamsal omiklerin yerelleştirme bilgilerinden yararlanarak, hücre gruplarının nasıl organize edildiğine ve benzeri görülmemiş bir çözünürlükle iletişim kurduğuna ışık tutuyorlar. Bu tür yöntemler, hücrelerin karmaşık dokular oluşturmak için nasıl etkileşime girdiğine dair anlayışımızı keskinleştiriyor.

Owkin’de, mekansal omikleri kullanarak yeni terapötik hedefleri ve hasta alt popülasyonlarını belirlemeye yönelik yöntemler geliştiriyoruz. Araştırmacıların, kanser hastası sonuçlarının tümör heterojenliğiyle nasıl bağlantılı olduğunu doğrudan tümör biyopsi görüntülerinden anlamalarına olanak tanıyan yöntemlere öncülük ettik. Bu uzmanlığa ve MOSAIC konsorsiyumuna dayanarak, hasta düzeyindeki sonuçları moleküler düzeyde hastalık heterojenliği anlayışıyla ilişkilendirecek yeni nesil yapay zeka yöntemlerini geliştiriyoruz.

İleriye bakmak

Uzamsal biyoloji, biyoloji anlayışımızı kökten değiştirme potansiyeline sahiptir. Bir numunedeki belirli bir molekülün yalnızca varlığından, bir dokuda belirli bir molekülü ifade eden hücrelerin modellerine geçerek, bir biyobelirteci görme biçimimizi değiştirecek. Alzheimer hastalığı ve yumurtalık kanseri de dahil olmak üzere çeşitli hastalıklar için mekansal biyobelirteçler üzerine umut verici araştırmalar yayınlanmıştır. Uzaysal omikler, hastalarda tümör ilerlemesini izlemek için klinik deneylerle ilişkili araştırmalarda zaten kullanılmıştır.

Bundan beş yıl sonra, uzaysal teknolojiler her insan proteinini, RNA’sını ve metabolitini hücre altı çözünürlükte haritalandırabilecek. Uzamsal omik verilerini depolamak ve analiz etmek için bilgi işlem altyapısının yanı sıra veri, meta veriler ve analitik algoritmalar için gerekli standartlar da mevcut olacaktır. Tedavisi zor kanserlerin tümör mikro ortamı ve hücresel bileşimi, MOSAIC gibi ortak çabalarla haritalandırılacaktır.

Hasta biyopsilerinden elde edilen uzaysal omik veri kümeleri, hızla farmasötik Ar-Ge’nin önemli bir parçası haline gelecek ve yapay zeka yöntemlerinin bakış açısıyla, yeni, daha etkili ilaçların tasarımına bilgi sağlamak ve daha hızlı ve daha iyi tasarlanmış klinik deneyleri teşvik etmek için kullanılacaktır. bu ilaçları hastalara Klinikte, hastalardan rutin olarak mekansal omik veriler toplanacak ve doktorlar, bir hastanın tümörü ve hangi ilaçlara en iyi yanıt vereceği hakkında klinik olarak ilgili bilgileri çıkarmak için amaca yönelik olarak oluşturulmuş yapay zeka modellerini kullanacak.

Bugün üç gücün yakınsamasına tanık oluyoruz: Uzaysal omics teknolojileri giderek daha yüksek verim ve yüksek çözünürlüklü hale geliyor, hasta biyopsilerinden büyük ölçekli veri kümeleri üretiliyor ve yapay zeka modelleri her zamankinden daha karmaşık hale geliyor. Birlikte, araştırmacıların sağlık ve hastalıkların karmaşık biyolojisini incelemelerine olanak tanıyacak ve daha karmaşık terapötik müdahalelere olanak tanıyacaklar.

Davide Mantiero, PhD, Joseph Lehár, PhD ve Darius Meadon da bu yazıya katkıda bulundu.

Bu içerik Owkin tarafından üretilmiştir. MIT Technology Review’un editör kadrosu tarafından yazılmadı.