2024-03-13 13:54:15
Dr. Kieran Campbell, chercheur à l’Institut de recherche Lunenfeld-Tanenbaum, qui fait partie de Sinai Health
Par : Jovana Drinjakovic, PhD, Chargée de communication scientifique, Institut de recherche Lunenfeld-Tanenbaum, Sinai Health, Toronto
Les chercheurs de Sinai Health ont développé un nouveau flux de travail informatique qui promet de rationaliser l’identification des types de cellules, accélérant potentiellement les progrès dans la médecine personnalisée et la recherche sur les maladies.
Dans une étude dirigée par le Dr Kieran Campbell, chercheur à l’Institut de recherche Lunenfeld-Tanenbaum, qui fait partie de Sinai Health, l’équipe a appliqué l’apprentissage automatique, un type d’intelligence artificielle qui reconnaît des modèles dans de grandes quantités de données, aux données d’expression génétique obtenues à partir de cellules individuelles.
«Notre approche accélère considérablement le rythme auquel nous pouvons comprendre la diversité cellulaire, ce qui est essentiel pour lutter contre les maladies provoquées par des types de cellules rares mais essentiels», a déclaré le Dr Campbell, qui est également professeur adjoint de génétique moléculaire et de sciences statistiques à l’Université de New York. l’Université de Toronto.
Le journal, Communications naturelles, ont publié leurs conclusions.
Au cours des dernières années, les technologies unicellulaires ont pris d’assaut la recherche biomédicale, permettant de mesurer l’expression des gènes dans les cellules individuelles d’un tissu. Puisque toutes les cellules du corps contiennent les mêmes gènes, ces progrès ont permis aux chercheurs de comprendre comment la diversité cellulaire est générée par les changements dans l’expression des gènes.
Cependant, ces données de grande dimension présentent des défis en matière d’analyse des données. Les chercheurs travaillant avec des données unicellulaires doivent souvent s’appuyer sur des annotations manuelles pour pouvoir classer les cellules en types de cellules corrects.
Pour rationaliser l’analyse, dans le cadre d’un effort dirigé par le doctorant Michael Geuenich, inscrit au programme d’études supérieures du département de génétique moléculaire de l’Université de Toronto, l’équipe a évalué une nouvelle méthode qui combine deux techniques d’apprentissage automatique, connues sous le nom d’apprentissage actif et apprentissage auto-supervisé. Ils ont constaté que cette approche réduit non seulement le temps et les ressources nécessaires à la classification des types de cellules, mais améliore également la précision de ces classifications, ouvrant ainsi de nouvelles portes à la recherche médicale et aux stratégies de traitement.
En rendant l’annotation des types cellulaires plus efficace et plus précise, les chercheurs visent à faciliter une compréhension plus approfondie des comportements cellulaires et de leurs rôles dans la santé et la maladie. Par exemple, la méthode permet la découverte de populations cellulaires rares, y compris celles résistantes aux thérapies actuelles, conduisant potentiellement au développement de traitements plus efficaces.
« Cette étude représente une étape importante dans l’engagement de Sinai Health à faire progresser la recherche sur l’apprentissage automatique et l’intelligence artificielle, et nous sommes enthousiasmés par l’impact qu’elle aura sur la recherche biomédicale dans son ensemble », a déclaré la Dre Anne-Claude Gingras, directrice du LTRI et Vice-président de la recherche chez Sinai Health.
Cette recherche a été financée par les Instituts de recherche en santé du Canada et le Conseil de recherches en sciences naturelles et en génie du Canada.
#Health #System #News #fait #appel #lIA #pour #démêler #diversité #cellulaire