Para produzir terapias direcionadas eficazes para o câncer, os cientistas precisam isolar as características genéticas e fenotípicas das células cancerígenas, dentro e entre diferentes tumores, porque essas diferenças afetam a maneira como os tumores respondem ao tratamento.
Parte deste trabalho requer uma compreensão profunda das moléculas de RNA ou proteína que cada célula cancerígena expressa, onde está localizada no tumor e como é sob um microscópio.
Tradicionalmente, os cientistas analisam um ou mais desses aspectos separadamente, mas agora uma nova ferramenta de IA de aprendizado profundo, CellLens (ambiente native do ambiente e varredura da vizinhança), funde todos os três domínios, usando uma combinação de redes neurais convolucionais e redes neurais gráficas para construir um perfil digital abrangente para cada célula. Isso permite que o sistema agrupe as células com biologia semelhante – separando efetivamente mesmo aqueles que parecem muito semelhantes em isolamento, mas se comportam de maneira diferente, dependendo do ambiente.
O estudo, publicado recentemente em Imunologia da naturezadetalha os resultados de uma colaboração entre pesquisadores do MIT, Harvard Medical College, Universidade de Yale, Universidade de Stanford e Universidade da Pensilvânia – um esforço liderado por Bokai Zhu, um pós -doutorado do MIT e membro do The the the Broad Institute of MIT e Harvard e o Ragon Institute of MGH, MIT e Harvard.
Zhu explica o impacto dessa nova ferramenta: “Inicialmente, diríamos: Oh, eu encontrei uma célula. Isso é chamado de célula T. Usando o mesmo conjunto de dados, aplicando o CellLens, agora posso dizer que esta é uma célula T e atualmente está atacando um limite específico de tumor em um paciente.
“Posso usar as informações existentes para definir melhor o que é uma célula, qual é a subpopulação dessa célula, o que essa célula está fazendo e qual é a leitura funcional potencial dessa célula. Esse método pode ser usado para identificar um novo biomarcador, que fornece informações específicas e detalhadas sobre células doentes, permitindo o desenvolvimento mais direcionado da terapia.”
Esse é um avanço crítico, porque as metodologias atuais geralmente perdem informações moleculares ou contextuais críticas – por exemplo, as imunoterapias podem atingir células que existem apenas no limite de um tumor, limitando a eficácia. Ao usar o aprendizado profundo, os pesquisadores podem detectar muitas camadas diferentes de informação com o CellLens, incluindo morfologia e onde a célula está espacialmente em um tecido.
Quando aplicados a amostras de tecido saudável e vários tipos de câncer, incluindo linfoma e câncer de fígado, as células descobriram subtipos de células imunes raras e revelaram como sua atividade e localização se relacionam com processos de doença – como infiltração tumoral ou supressão imunológica.
Essas descobertas podem ajudar os cientistas a entender melhor como o sistema imunológico interage com os tumores e a pavimentar o caminho para diagnósticos e imunoterapias mais precisos do câncer.
“Estou extremamente empolgado com o potencial de novas ferramentas de IA, como o CellLens, para nos ajudar a entender mais holisticamente comportamentos celulares aberrantes nos tecidos”, diz co-autor Alex Okay. Shaleko diretor do Instituto de Engenharia Médica e Ciência (IMES), o professor JW Kieckhefer em IMES e química, e um membro extramural do Instituto Koch de Pesquisa Integrativa ao Câncer no MITbem como um membro do Instituto do Broad Institute e um membro do Ragon Institute. “Agora podemos medir uma quantidade enorme de informações sobre células individuais e seus contextos de tecidos com ensaios multi-tômicos de ponta. Aproveitando efetivamente esses dados para nomear novos leads terapêuticos é uma etapa crítica no desenvolvimento de intervenções aprimoradas. Quando acoplado aos dados de entrada correta e a validações de queda e cuidadosas, a capacidade de saúde.