Investigadores del Children’s Hospital of Philadelphia (CHOP) y el New Jersey Institute of Technology (NJIT) han desarrollado un nuevo software que integra una variedad de información de una sola celda, lo que permite a los investigadores ver cómo un solo cambio en una celda puede conducir a varios otros y proporcionar cambios importantes. Evidencia para identificar las causas exactas de las enfermedades genéticas.
Los resultados han sido publicados previamente. Comunicaciones de la naturaleza.
La secuenciación de una sola célula permite a los investigadores observar aspectos específicos de una célula para determinar cómo interactúa con su microentorno. Esto es particularmente importante en la investigación del cáncer porque puede usarse para determinar los efectos de una mutación que puede afectar solo a una pequeña fracción de células. A nivel de una sola célula, los investigadores pueden estudiar la expresión génica, así como los ARN mensajeros, las proteínas e incluso los orgánulos intracelulares con mucho más detalle y precisión que antes.
Sin embargo, debido a que cada característica de una sola célula se ha estudiado individualmente, sus conexiones entre sí (por ejemplo, cómo una variante genética podría afectar directamente al ARN mensajero, la síntesis de proteínas o la epigenética) pueden no estar claras, incluso cuando Compare los datos generados a partir de la misma celda
Para abordar este dilema estadístico y computacional, los investigadores desarrollaron una herramienta de software automatizada para agregar secuencias multimodales de una sola célula para identificar lo que sucede dentro de la célula a través de múltiples procesos biológicos simultáneamente y caracterizar mejor las relaciones entre los cambios en la célula.
«Con esta herramienta, podemos comprender mejor una sola célula como una entidad en lugar de solo como una unidad segmentada», dijo el Dr. Haakon Hakonarsson, director del Centro de Genómica Aplicada de CHOP y autor principal del estudio. «Este es un avance importante y nos permite integrar y poner toda esta información en una perspectiva biológica, lo cual es especialmente importante cuando se busca información sobre diferentes enfermedades».
El software, que se conoce como agrupamiento profundo multimodal de una sola celda (scMDC), utiliza el aprendizaje automático para analizar datos sobre diferentes características de una sola celda. Los investigadores realizaron extensas simulaciones y experimentos con datos reales y descubrieron que scMDC superó a los métodos existentes de agregación unicelular, unimodal y multimodal para conjuntos de datos multimodales unicelulares. También utiliza escalabilidad lineal, lo que significa que más fuentes de datos enviadas a scMDC producen mejores resultados.
Este estudio fue apoyado por la subvención R15HG012087 del NIH y el Centro Nacional para el Desarrollo de la Ciencia Traslacional con el número de subvención UL1TR003017. El recurso informático fue proporcionado en parte por Extreme Science and Engineering Discovery Environment (XSEDE) a través de la asignación CIE160021 y CIE17003, con el apoyo de National Science Foundation Grant ACI-1548562.
Fuente de la historia:
Materiales Introducción de Hospital de Niños de Filadelfia. Nota: El contenido se puede modificar por estilo y longitud.