Une nouvelle méthode d’IA pourrait améliorer l’analyse des tissus et des tumeurs et faire progresser le traitement des maladies

Des chercheurs de l’Université du Michigan et de l’Université Brown ont développé une nouvelle méthode informatique pour analyser des données tissulaires complexes qui pourraient transformer notre compréhension actuelle des maladies et de la manière dont nous les traitons.

La segmentation tissulaire intégrative et basée sur la référence, ou IRIS, est une nouvelle méthode d'apprentissage automatique et d'intelligence artificielle qui donne aux chercheurs biomédicaux la possibilité d'afficher des informations plus précises sur le développement des tissus, la pathologie de la maladie et l'organisation des tumeurs.

Les résultats sont publiés dans la revue Méthodes naturelles.

IRIS s'appuie sur des données générées par la transcriptomique résolue spatialement et exploite de manière unique les données de séquençage d'ARN unicellulaire comme référence pour examiner simultanément plusieurs couches de tissus et distinguer diverses régions avec une précision et une vitesse de calcul sans précédent.

Contrairement aux techniques traditionnelles qui génèrent des données moyennes à partir d’échantillons de tissus, la SRT fournit une vue beaucoup plus granulaire, identifiant des milliers d’emplacements dans une seule section de tissu. Cependant, le défi a toujours été d'interpréter cet ensemble de données vaste et détaillé, explique Xiang Zhou, professeur de biostatistique à l'École de santé publique de l'Université du Michigan et auteur principal de l'étude.

C'est dans l'interprétation d'ensembles de données volumineux et complexes qu'IRIS devient un outil utile : ses algorithmes trient les données pour identifier et segmenter divers domaines fonctionnels, tels que les régions tumorales, et fournissent des informations sur les interactions cellulaires et les mécanismes de progression de la maladie.

“Différent des méthodes existantes, IRIS caractérise directement le paysage cellulaire du tissu et identifie des domaines spatiaux biologiquement interprétables, facilitant ainsi la compréhension du mécanisme cellulaire sous-jacent à la fonction tissulaire”, a déclaré Ying Ma, ancien doctorant de l'UM, professeur adjoint de biostatistique à l'Université Brown, qui a aidé à développer IRIS.

“Nous prévoyons qu'IRIS servira d'outil puissant pour l'analyse de données de transcriptomique spatiale multi-échantillons à grande échelle sur un large éventail de systèmes biologiques.”

Zhou et Ma ont appliqué IRIS à six ensembles de données SRT et comparé ses performances à d'autres méthodes de domaine spatial couramment utilisées. En fin de compte, alors que la technologie SRT continue de gagner en popularité et en utilisation, les chercheurs espèrent voir des méthodes comme IRIS aider à développer potentiellement des cibles pour des interventions cliniques ou des cibles médicamenteuses, améliorant ainsi les plans de traitement personnalisés et les résultats pour la santé des patients.

“L'approche informatique d'IRIS ouvre une nouvelle voie permettant aux biologistes d'approfondir l'architecture complexe des tissus complexes, offrant des opportunités sans précédent pour explorer les processus dynamiques façonnant la structure des tissus au cours du développement et de la progression de la maladie”, a déclaré Zhou.

“En caractérisant les structures tissulaires raffinées et en élucidant leurs altérations au cours d'états pathologiques, IRIS a le potentiel de dévoiler des informations mécanistes cruciales pour la compréhension et la lutte contre diverses maladies.”