Um grupo de pesquisadores do Hospital Infantil da Filadélfia (CHOP) desenvolveu um novo algoritmo de inteligência artificial (IA) para ajudar a entender como diferentes células se organizam e se comunicam em tecidos, especialmente em tecidos cancerígenos.
Essa nova ferramenta foi testada em dois tipos de tecidos de câncer para revelar como essas “vizinhanças” de células interagem entre si para escapar da terapia, e mais estudos poderiam revelar mais informações sobre a função dessas células no microambiente tumoral. Os resultados foram publicados online hoje pela revista Nature Methods.
Para entender como diferentes células se organizam para apoiar as funções de um tecido, os pesquisadores propuseram o conceito de vizinhanças celulares do tecido (TCNs) para descrever unidades funcionais em que diferentes tipos de células recorrentes trabalham juntas para apoiar funções específicas do tecido. Em diferentes indivíduos, as funções dessas TCNs permaneceriam as mesmas. No entanto, traduzir a enorme quantidade de informações em dados espaciais de ômicas em modelos e hipóteses que podem ser interpretados e testados pelos pesquisadores requer algoritmos avançados de IA.
“É muito difícil estudar o microambiente do tecido, como certas células se organizam, se comportam e se comunicam umas com as outras”, disse o autor sênior do estudo, Kai Tan, PhD, um pesquisador do Centro de Pesquisa do Câncer Infantil do CHOP e professor do Departamento de Pediatria e da Escola de Medicina Perelman da Universidade da Pensilvânia. “Até os avanços recentes na chamada tecnologia espacial de ômicas, era impossível caracterizar espacialmente mais de 100 proteínas ou centenas ou mesmo milhares de genes em um pedaço de tecido, que pode abrigar centenas de milhares de células e seus respectivos genes.”
Neste estudo, os pesquisadores desenvolveram o algoritmo baseado em aprendizado profundo CytoCommunity para identificar TCNs com base nas identidades celulares de uma amostra de tecido, suas distribuições espaciais e suas interações. O algoritmo usa uma rede neural de grafos para capturar as relações entre as células em um tecido. O algoritmo pode ser aplicado de forma não supervisionada ou supervisionada, dependendo do objetivo da análise.
O algoritmo usa dados de proteômica espacial ou transcriptômica espacial, que medem a expressão de proteínas ou genes em diferentes locais de um tecido. Esses dados permitem estudar a organização espacial e a interação das células em um tecido, bem como identificar padrões que podem estar associados a diferentes fenótipos ou condições.
O algoritmo foi testado em dois tipos de tecidos cancerígenos: glioblastoma e carcinoma colorretal. Os pesquisadores descobriram que o algoritmo pode revelar padrões de comunicação celular que estão associados ao risco e ao prognóstico dos pacientes. Por exemplo, o algoritmo identificou uma TCN de células imunes que estava presente apenas em pacientes de baixo risco de glioblastoma, sugerindo que essas células podem ter um papel protetor contra o tumor. O algoritmo também identificou uma TCN de células epiteliais que estava associada a uma maior resistência à terapia no carcinoma colorretal.
O algoritmo pode ser usado para descobrir novas funções e mecanismos das células em tecidos saudáveis e doentes, bem como para identificar alvos terapêuticos e biomarcadores para diferentes condições. O algoritmo também pode ser adaptado para outros tipos de dados espaciais, como imagens de tecidos, que podem fornecer informações adicionais sobre a morfologia e a arquitetura dos tecidos.
Os pesquisadores esperam que o algoritmo possa ser uma ferramenta útil para a comunidade científica e clínica, e que possa contribuir para o avanço do conhecimento sobre a biologia dos tecidos e o tratamento de doenças.
Fonte: Link.
