El uso de inteligencia artificial (IA) por parte de investigadores del Broad Institute de MIT y Harvard, junto con ETH Zurich y el Instituto Paul Scherrer (PSI), busca mejorar la comprensión de la biología celular. Este enfoque permite a los científicos obtener información más completa sobre las células, lo que es crucial para entender los mecanismos de enfermedades.
El estudio de la expresión génica en células de pacientes con cáncer proporciona información sobre el origen de la enfermedad y puede predecir la eficacia de diferentes tratamientos. Sin embargo, la complejidad de las células requiere múltiples mediciones para obtener datos precisos. Por ejemplo, medir proteínas puede ofrecer información distinta a la de la expresión génica o la morfología celular.
Avances en la investigación celular
La ubicación de donde proviene la información en la célula es fundamental. Para obtener una visión completa, los científicos deben realizar diversas mediciones con distintas técnicas. Aunque los métodos de aprendizaje automático pueden acelerar este proceso, a menudo combinan todos los datos, dificultando la identificación del origen de cada dato.
Para abordar este desafío, los investigadores desarrollaron un marco impulsado por IA que identifica qué información sobre el estado celular es compartida entre diferentes modalidades de medición y cuál es única para cada tipo de medición.
Este enfoque permite a los biólogos obtener una perspectiva más integral del estado de la célula, facilitando la comprensión de los mecanismos de enfermedades y el seguimiento de trastornos como el cáncer o enfermedades neurodegenerativas.
Manipulación de mediciones múltiples
Los científicos cuentan con diversas herramientas para capturar información sobre el estado celular, como medir el ARN para evaluar el crecimiento celular o la morfología de la cromatina para detectar señales externas. La integración de datos de múltiples modalidades es esencial para comprender completamente lo que ocurre dentro de la célula.
Sin embargo, la comparación de resultados a menudo requiere múltiples experimentos, lo que limita la cantidad de información recopilada. La nueva investigación presenta un marco de aprendizaje automático que entiende qué datos se superponen y cuáles son específicos de cada modalidad.
Este modelo permite a los usuarios ingresar datos celulares y recibir información sobre los datos compartidos y los específicos de cada modalidad, facilitando así un análisis más eficiente.
Identificación de datos específicos
En pruebas realizadas con conjuntos de datos sintéticos, el marco logró identificar correctamente la información compartida y específica de cada modalidad. Al aplicarlo a conjuntos de datos de células individuales en el mundo real, distinguió automáticamente entre la actividad génica capturada por diferentes modalidades de medición.
Además, este método ayudó a identificar qué modalidad de medición capturó un marcador de proteína que indica daño en el ADN en pacientes con cáncer, lo que es crucial para determinar la técnica adecuada para su medición.
Los investigadores aspiran a que el modelo proporcione información más interpretativa sobre el estado celular. También realizarán experimentos adicionales para garantizar que el modelo descomponga correctamente la información celular y se aplique a una gama más amplia de preguntas clínicas.
