Интегративные подходы на основе машинного обучения для развития вычислительной иммунологии

Machine learning integrative approaches to advance computational immunology
Fabian Joachim Theis, Fabiola Curion
2024-06-11

вычислительная иммунологиямашинное обучениеинтеграция мультимодальных омиксных данныходноклеточное секвенирование РНКпространственное профилирование
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.
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.

мультимасштабные омиксные наборы данных по иммунологии, полученные для отдельных клеток и в пространственном контексте

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
Access Type
Author Information
Authors
Fabian Joachim Theis
Fabiola Curion
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%