特拉维夫大学的研究人员开发了一种创新方法，可以帮助更好地理解细胞在变化的生物环境中的行为，例如在癌性肿瘤中。
这种新系统称为scNET，它结合了单细胞水平上的基因表达信息和基因相互作用信息，能够识别重要的生物模式，如对药物治疗的反应。
发表在《自然方法》杂志上的文章解释了scNET如何改进医学研究并协助开发疾病的治疗方法。这项研究由博士生罗恩·谢尼纳在医学院阿萨夫·马迪教授和计算机科学与人工智能学院院长罗德德·沙兰教授的指导下进行。
如今，先进的测序技术允许在单细胞水平上测量基因表达，研究人员首次可以研究生物样本中不同细胞群体的基因表达谱，并发现其对每种细胞类型功能行为的影响。
一个引人注目的例子是了解癌症治疗的影响——不仅对癌细胞本身，还对支持癌症的细胞或抗癌症细胞群体（如肿瘤周围的一些免疫系统细胞）的影响。
尽管分辨率很高，但这些测量结果具有很高的噪声水平，使得难以精确识别支撑重要细胞功能的遗传程序的变化。这就是scNET发挥作用的地方。
谢尼纳说：“scNET将单细胞测序数据与描述可能基因相互作用的网络结合起来，就像社交网络一样，提供了一张不同基因如何相互影响和相互作用的地图。scNET使更准确地识别样本中存在的细胞群体成为可能。因此，可以研究不同条件下的基因共同行为，并揭示表征健康状态或治疗反应的复杂机制。”
马迪教授解释说：“在这项研究中，我们专注于T细胞这一种免疫细胞群体，它们以其对抗癌性肿瘤的能力而闻名。scNET揭示了治疗对这些T细胞的影响，以及它们如何变得更加活跃地对肿瘤进行细胞毒性活动，这是由于原始数据中的高噪声水平而以前无法发现的。”
沙兰教授补充说：“这是一个很好的例子，说明人工智能工具如何帮助解码生物学和医学数据，使我们获得新的、重要的见解。我们的目标是为生物医学研究人员提供计算工具，帮助他们理解身体细胞的功能，从而找到改善我们健康的新方法。”
总之，scNET展示了人工智能与生物医学研究的结合如何导致新的治疗方法的发展，揭示疾病中的隐藏机制，并提出新的治疗选择。
(全文结束)
声明：本文仅代表作者观点，不代表本站立场，全文内容涉及AI跨语种自动翻译。如有侵权请联系我们删除。