密歇根大学和布朗大学的研究人员开发出一种新的计算方法来分析复杂的组织数据，这可能会改变我们目前对疾病的理解以及治疗方法。

综合和参考信息组织分割(IRIS)是一种新颖的机器学习和人工智能方法，可让生物医学研究人员查看有关组织发育、疾病病理学和肿瘤组织的更精确的信息。

IRIS 利用 空间分辨转录组学生成的数据 ，独特地利用单细胞 RNA 测序数据作为参考，同时检查多层组织，并以前所未有的精度和计算速度区分各个区域。

与传统技术不同，SRT 只能从组织样本中获取平均数据，它提供了更精细的视图，可以精确定位单个组织切片内的数千个位置。然而， 密歇根大学公共卫生学院生物统计学教授、这项研究的资深作者周翔表示，挑战始终在于解释这一庞大而详细的数据集。

在解释大型复杂数据集时，IRIS 成为一个有用的工具——它的算法对数据进行分类，以识别和分割各种功能域，例如肿瘤区域，并提供有关细胞相互作用和疾病进展机制的见解。

参与开发 IRIS的布朗大学生物统计学助理教授、密歇根大学博士校友马英说：“与现有方法不同，IRIS 直接描述组织的细胞景观并识别生物学可解释的空间域，从而有助于理解组织功能背后的细胞机制。”

“我们预计 IRIS 将成为广泛生物系统中大规模多样本空间转录组学数据分析的有力工具。”

Zhou 和 Ma 将 IRIS 应用于六个 SRT 数据集，并将其性能与其他常用的空间域方法进行了比较。最终，随着 SRT 技术的普及和使用，研究人员希望看到像 IRIS 这样的方法有助于开发临床干预或药物靶点，从而改善个性化治疗计划和患者健康结果。

周教授表示：“IRIS 的计算方法为生物学家开辟了一条新途径，让他们能够深入研究复杂组织的复杂结构，为探索发育和疾病进展过程中塑造组织结构的动态过程提供了前所未有的机会。通过表征精细的组织结构并阐明其在疾病状态下的变化，IRIS 有可能揭示对理解和对抗各种疾病至关重要的机制见解。”

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：