Эффективность диагностики заболеваний повысит метод картирования тканей человека

Их подход обещает ускорить исследования клеточных взаимодействий в масштабах органов и может обеспечить новые мощные диагностические стратегии для широкого спектра заболеваний.

Ручное объединение данных отдельных клеток с картами структуры ткани — процесс медленный и утомительный. Алгоритмы машинного обучения продемонстрировали некоторый потенциал для автоматизации процесса, но они ограничены данными, используемыми для их обучения. Чтобы решить эту проблему, ведущий автор исследования Джунбум Ким и его коллеги разработали неконтролируемую вычислительную стратегию, используя комбинацию профилей экспрессии генов отдельных клеток и их местоположения для определения структурных областей в ткани. Соавтор исследования Андре Рендейро, научный сотрудник Weill Cornell Medicine, сравнивает новый метод с картированием города.

Исследователи использовали новый метод для создания подробных карт нескольких типов тканей, выявления и количественной оценки новых аспектов микроанатомии — паттернов, возникающих в малом масштабе при взаимодействии клеток и определяющих окончательную функцию ткани. Сотрудничая с коллегой из Университета Северной Каролины в Чапел-Хилле, изучающим заболевания легких, они также продемонстрировали, что их метод позволяет проводить тонкие различия между различными болезненными состояниями в ткани. В то время как рак и другие хронические заболевания часто вызывают серьезные изменения в структуре тканей, подробная микроанатомия также может помочь в диагностике и лечении более острых состояний.