Dr. Horváth Péter ELIXIR Vezető kutató közreműködésével készült közlemény a Nature Communications nevű nemzetközi folyóiratban jelent meg idén februárban.
A sejtek kezelései által okozott fenotípusos hatásainak mérése képalkotó vizsgálatok segítségével hatékony és erőteljes módszer a sejtek biológiájának tanulmányozására. Azonban ezek a vizsgálatok számos képet eredményeznek, amelyeket számítógépes módszerekkel kell kvantitatív adatokra alakítani. Ebben a tanulmányban a kutatók egy továbbfejlesztett stratégiát mutattak be, amely a kezelés hatásainak reprezentációját tanulja meg nagy áteresztőképességű képalkotásból, követve egy oksági értelmezést.
A tanulmány szerzői gyenge felügyeletű tanulást alkalmaztak az asszociációk modellezésére a képek és a kezelések között. Ez a módszer mind a zavaró tényezőket, mind a fenotípusos jellemzőket kódolja az elsajátított reprezentációban. Az elkülönítés megkönnyítése érdekében a kutatók egy nagy méretű képzési adatbázist hoztak létre öt különböző tanulmány képeivel, hogy maximalizálják a kísérleti sokféleséget, követve oksági elemzésük felismeréseit. Ennek az adatbázisnak a felhasználásával képzett modell javította a későbbi elemzések teljesítményét, és egy újrafelhasználható konvolúciós hálózatot eredményezett az alapú profilalkotás számára, amelyet Cell Painting CNN-nek neveztek el.
A kutatók három nyilvánosan elérhető Cell Painting adatbázison értékelték stratégiájukat. A Cell Painting CNN akár 30%-kal is javította a teljesítményt a hagyományos jellemzőkhöz képest a későbbi elemzések során, miközben számítási szempontból is hatékonyabb volt.
Ez a munka hangsúlyozza a bioinformatika jelentőségét a sejtbiológiai kutatásokban, különösen az adatok elemzésében és értelmezésében, amelyek a képalkotó vizsgálatokból származnak. Az ilyen fejlett módszerek segíthetnek a tudósoknak jobban megérteni a sejtkezelések hatásait, és új utakat nyithatnak a biomedicinális kutatásokban.
A közlemény teljes terjedelmében ezen a linken olvasható.
