爱奇飞网

网站首页健康养生 >正文

计算工具可以从复杂的生物数据中找出因果关系

开心的月饼 2024-09-18 08:42:11 健康养生

研究人员开发出一种工具,可以对细胞之间的因果关系以及这些关系随时间如何变化提供新的见解。

计算工具可以从复杂的生物数据中找出因果关系

这项研究今天以评论预印本的形式发表在eLife上,编辑们称其是一项基础研究,展示了一种新的数据处理流程,可用于更好地了解细胞间相互作用。该流程的实用性已通过肿瘤芯片生态系统数据得到令人信服的说明,但它也可以应用于其他科学领域的因果发现,这意味着这项研究可能具有广泛的应用范围。

在不同实验条件下获取活细胞图像的能力使我们能够提取有关细胞形状和状态以及它们与其他细胞相互作用的宝贵信息。但这些丰富的信息仍未得到充分利用,因为到目前为止,我们仍然缺乏能够精确定位所见特征之间因果关系的方法和工具。这种精确定位因果关系的能力被称为因果发现。

这种名为 CausalXtract 的新工具改编自以前的发现方法,该方法可以从生物系统中学习因果网络,但不需要有关事件发生时间的信息。

“我们之前的因果发现工具可以学习广泛生物或生物医学数据的同期因果网络,从单细胞基因表达数据到患者的医疗记录,”共同主要作者、法国索邦大学 PSL 居里研究所的研究工程师 Franck Simon 解释道。

“然而,活细胞延时成像数据包含有关细胞动态的信息,这可以促进发现新的因果过程,基于未来事件不能导致过去事件的假设。”

西蒙与玛丽亚·科隆巴·科梅斯(Maria Colomba Comes,时任意大利罗马第二大学电子工程系博士生,现为意大利巴里肿瘤研究所研究员)和蒂齐亚娜·托奇(Tiziana Tocci,索邦大学巴黎文理学院居里研究所博士生)共同担任该论文的共同第一作者。

为了探索这一点,CausalXtract 重建了时间展开的因果网络,其中每个变量由不同时间点的多个节点表示。这考虑到了数据中连续时间步骤之间的联系。这种基于图的因果关系超越了早期的时间因果关系模型(“格兰杰因果关系”),该模型可能会忽略实际的因果关系,如该研究所示。

Simon 补充道:“我们使用在时间步数和网络规模方面与真实世界数据相似的人工数据集对该工具进行了基准测试,发现它与现有方法相匹配或优于现有方法,同时运行速度提高了几个数量级。”

为了用真实的生物数据测试该工具的性能,该团队使用了肿瘤芯片模型的延时图像数据,展示了抗癌药物曲妥珠单抗的效果。肿瘤芯片模型复制了肿瘤的三维结构和微环境,包括肿瘤细胞、免疫细胞、肿瘤相关成纤维细胞和内皮细胞。

Tocci 表示,通过该模型,“我们从原始图像中提取了细胞特征,例如几何形状、速度、细胞分裂、细胞死亡以及瞬时和持续的细胞间相互作用。”然后,该团队根据不同时间点的细胞特征、相互作用和治疗条件信息重建了时间展开的因果网络。

“这次重建揭示了新的生物学相关见解,并证实了细胞之间现有的已知关系,”这项研究的共同作者、负责居里研究所肿瘤芯片实验的玛丽亚卡拉帕里尼说。

例如,该模型证实曲妥珠单抗治疗会增加细胞死亡和癌症与免疫细胞之间相互作用的数量,但它也首次表明癌症相关成纤维细胞 (CAF) 可以独立阻止癌细胞死亡。虽然已经有报道称 CAF 会降低治疗效果,但这些发现为了解这种情况的发生原因提供了新的见解。

研究团队还注意到,CausalXtract 可以识别不同时间点的相反效应。例如,它可以捕捉到细胞的偏心率(即细胞偏离正常圆形的程度)在细胞分裂的不同阶段发生变化。

细胞分裂的后期与细胞偏心率的增加有关,但在细胞分裂前 2-4 小时,即一旦决定分裂,偏心率就会降低。这表明该工具具有揭示细胞特征之间新颖且可能存在时间滞后的因果关系的潜力。

“CausalXtract 为分析活细胞成像数据开辟了新途径,可用于一系列基础和转化研究应用,例如使用肿瘤芯片筛选患者肿瘤样本的免疫疗法反应,”共同资深作者、罗马第二大学电子工程系教授 Eugenio Martinelli 说道。

“随着几乎无限的活细胞图像数据的出现,灵活的解释方法至关重要,我们相信 CausalXtract 可以基于因果发现带来独特的见解来解释这些信息丰富的数据,”共同资深作者、法国国立科学研究院 (DR CNRS)、居里研究所、巴黎文理学院 (Université PSL)、索邦大学 (Sorbonne Université) 小组负责人 Hervé Isambert 补充道。


版权说明:本站所有作品图文均由用户自行上传分享,仅供网友学习交流。若您的权利被侵害,请联系我们


标签:

站长推荐
栏目推荐
阅读排行