Mesterséges intelligencia nagyszámú sejt pontos azonosítására
A TACIT algoritmus alkalmazásával el lehet majd dönteni, hogy egy adott beteg hogyan fog reagálni egy kezelésre, vagy érdemes-e bevonni egy klinikai vizsgálatba.
A Nature Communications folyóiratban április 21-én jelent meg a Virginia Commonwealth University kutatóinak cikke, amelyben egy olyan mesterséges intelligencia alapú algoritmus kifejlesztéséről számoltak be, amely nagy számú sejt igen gyors profilozására szolgál, így lényegesen felgyorsítja például annak folyamatát, hogy el lehessen dönteni, várhatóan hogyan reagál majd egy beteg egy adott kezelésre. A TACIT (Threshold-based Assignment of Cell Types from Multiplexed Imaging Data) algoritmus forradalmi eszköz lehet a betegek számára a legjobb terápiás lehetőségek meghatározásában – mind az onkológiában, mind egyes gyógyszerek felírása során.
Az algoritmus a sejtmarkerek expressziós profiljai alapján határozza meg a sejtek identitását. A TACIT a sejtek azonosításának idejét több mint egy hónapról néhány percre csökkenti, ezzel értékes időt és erőforrásokat takarít meg a kutatóknak. A TACIT több mint 5 millió sejt adatai alapján lett betanítva a felismerésre, így kiváló pontosságot és skálázhatóságot biztosít a meglévő modellekhez képest, amelyek gyakran nem képesek elkülöníteni a várt sejtpopulációkat a korlátozott marker-készletek miatt.
“Mesterséges intelligenciát használunk a hatékonyság és a diagnózis pontosságának növelése érdekében” – nyilatkozta Jinze Liu, a kutatás vezetője. “Ahogy egyre több adatot gyűjtünk, a TACIT képessége a pozitív betegkimenetek növelésére csak tovább fog növekedni".
A mostani cikkben a kutatók bemutatták, hogy a TACIT hogyan teljesített jobban három már meglévő, felügyelet nélküli módszernél a pontosság és a skálázhatóság tekintetében, miközben integrálta a sejttípusokat és a betegállapotokat is, hogy új sejtkapcsolatokat tárjon fel. A TACIT erős egyezést mutatott a különböző típusú tesztek – például a genetikai és fehérjeadatok – között, ami megbízhatóbbá tette az eredményeket. A betegek számára ez azt jelentheti, hogy hamarabb kapnak diagnózist, elkerülhetik a felesleges kezeléseket, vagy olyan klinikai vizsgálatba kerülnek, amely nagyobb valószínűséggel segít rajtuk. Az orvosok számára pedig hatékony módszert nyújt arra, hogy pontos betekintést nyerjenek arról, hogy mi történik valójában a szervezetben.
“Kutatóként elsődleges célunk, hogy jó térbeli biomarkereket azonosítsunk a klinikai vizsgálatokhoz, hogy még a betegek bevonása előtt megjósolhassuk a vizsgálatra adott reakciójukat” – fejtette ki Liu. “Már több vezető kutatóval is együttműködünk a VCU-nál azon, hogy a térbeli biológiai jellemzőket is beépítsük a klinikai vizsgálatokba, és a TACIT képes lehet erre. Az algoritmus segítségével a megfelelő betegeket lehet majd bevonni a klinikai vizsgálatokba, és ami ugyanolyan fontos: nem lehet majd bevonni a nem megfelelő betegeket. Jelenleg nincs ilyen eszközünk, de a TACIT alkalmazásával ez a cél elérhetőnek tűnik.”
A kutatók a TACIT előnyeit a farmakológiai környezetben is látják, ahol az algoritmus az RNS-markereket felhasználva segítheti a gyógyszerek felírását.
“Ha egy betegnek azt mondjuk, hogy nem vehet részt egy klinikai vizsgálatban, az nem túl jó hír, különösen, ha semmi mást nem kínálunk fel neki” – összegzett Liu. “De ezek az RNS-markerek valójában nagyon jól használhatók, ami lehetővé teszi számunkra, hogy előre megjósoljuk, mely gyógyszerek lehetnek hasznosak a betegek számára. Rendelkezünk egy nagy adatbázissal a jóváhagyott gyógyszerekről, amelyeket a szövetmintákra vetíthetünk. Képzelje el, hogy azt mondhatja egy betegnek: “Nem kell, hogy részt vegyen a klinikai vizsgálatban, mert itt van egy már engedélyezett készítmény, ami hatásosnak bizonyulhat. Így a beteget nem vonják be egy olyan új, kísérleti gyógyszer klinikai vizsgálatába, amelyre talán nincs szüksége, vagy amelyből talán nem származna előnye.”
Ezenkívül a TACIT már most több térbeli biológiai alkalmazásban is működik, lehetővé téve a kutatók számára, hogy a meglévő adatkészletekre építve tovább fejlesszék az algoritmus működését.
“Néha viccelődünk azzal, hogy a TACIT olyan, mint a rosette-i kő” – fejtette ki Kevin Byrd, a kutatás tárvezetője. “Láthatjuk, hogy ezek a különböző adattípusok hogyan forrnak össze egy közös nyelvvé, és mi erre építhetünk. Hatalmas lehetőségek rejlenek a TACIT sokféle felhasználásában, a fehérjéktől a szervrendszerekig és a különböző betegségtípusokig.”
Írásunk az alábbi közlemények alapján készült:
Deconvolution of cell types and states in spatial multiomics utilizing TACIT
Irodalmi hivatkozás:
Khoa L. A. Huynh et al, Deconvolution of cell types and states in spatial multiomics utilizing TACIT, Nature Communications (2025). DOI: 10.1038/s41467-025-58874-4
