Интегративные подходы на основе машинного обучения для развития вычислительной иммунологии
Machine learning integrative approaches to advance computational immunology
2024-06-11
SCID: 54.1/z6xpmwdt
Discuss with AI
вычислительная иммунологиямашинное обучениеинтеграция мультимодальных омиксных данныходноклеточное секвенирование РНКпространственное профилирование
Figures from the paper
Abstract (AI)
Изучение иммунологии, традиционно опиравшееся на протеомику для оценки отдельных иммунных клеток, было революционизировано секвенированием РНК на уровне отдельных клеток. Вычислительные иммунологи играют ключевую роль в анализе этих наборов данных, выходя за рамки традиционной идентификации белковых маркеров и обеспечивая более детальное представление о клеточных фенотипах и их функциональных ролях. Современные технологические достижения позволяют одновременно измерять множество клеточных компонентов — транскриптом, протеом, хроматин, эпигенетические модификации и метаболиты — в отдельных клетках, в том числе с учетом их пространственного контекста в тканях. Это привело к формированию сложных многомасштабных наборов данных, которые могут включать мультимодальные измерения одних и тех же клеток или сочетание сопряженных и несопряженных модальностей. Современные методы машинного обучения (МО) позволяют интегрировать данные различных «омиксных» уровней без необходимости разрабатывать обширные независимые модели для каждой модальности. В данном обзоре рассматриваются последние достижения интегративных подходов на основе МО, применяемых в иммунологических исследованиях. Особое внимание уделяется значению этих методов для создания унифицированного представления многомасштабных наборов данных, особенно полученных с помощью технологий одноклеточного и пространственного профилирования. Наконец, обсуждаются проблемы этих холистических подходов и их роль в разработке единой системы координат для многомасштабных исследований, что позволит ускорить исследования и способствовать новым открытиям в области вычислительной иммунологии.
Key Findings
1
Современные технологии одноклеточного анализа позволяют одновременно измерять транскриптом, протеом, хроматин, эпигенетические модификации и метаболиты, включая пространственную информацию.
2
Несмотря на сохраняющиеся проблемы целостной интеграции данных, такие подходы могут создать общую координатную систему и ускорить открытия в вычислительной иммунологии.
3
Интегративные подходы машинного обучения формируют единые представления сложных многомасштабных данных, особенно для одноклеточного и пространственного профилирования.
4
Современные методы машинного обучения интегрируют мультимодальные омиксные данные из парных, непарных и смешанных наборов без необходимости создания отдельных сложных моделей для каждой модальности.
5
Одноклеточное РНК-секвенирование расширило иммунологический анализ от белковых маркеров до детального описания клеточных фенотипов и функциональных ролей.
Research Object
мультимасштабные омиксные наборы данных по иммунологии, полученные для отдельных клеток и в пространственном контексте
Research Subject
интеграция и унифицированное представление мультимодальных омиксных данных на основе машинного обучения для вычислительной иммунологии
Publication Details
Publication Date
2024-06-11
Journal
Publisher
ISSN
Cited by
38
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Графовые нейронные сети: обзор методов и приложений2020
Молекулярное, пространственное и функциональное профилирование преоптической области гипоталамуса на уровне отдельных клеток2018
Мультимодальный искусственный интеллект в биомедицине2022
Введение в пространственную транскриптомику для биомедицинских исследований2022