Onderzoekers van de Universiteit van Tel Aviv hebben een nieuwe AI-gebaseerde methode onthult hoe cellen reageren op medicamenteuze behandelingen

(Linls naar rechts): Prof. Asaf Madi, Prof. Roded Sharan; PhD student Ron Sheinin. Foto Tel Aviv University.

Onderzoekers van de Universiteit van Tel Aviv hebben een innovatieve methode ontwikkeld die kan helpen om beter te begrijpen hoe cellen zich gedragen in veranderende biologische omgevingen, zoals die in een kankergezwel.

Het nieuwe systeem, scNET genaamd, combineert informatie over genexpressie op het niveau van individuele cellen met informatie over geninteracties, waardoor belangrijke biologische patronen, zoals reacties op medicamenteuze behandelingen, kunnen worden geïdentificeerd.

Het wetenschappelijke artikel dat is gepubliceerd in het tijdschrift Nature Methods legt uit hoe scNET medisch onderzoek kan verbeteren en kan helpen bij de ontwikkeling van behandelingen voor ziekten. Het onderzoek werd geleid door promovendus  Ron Sheinin onder toezicht van Prof. Asaf Madi van de faculteit Geneeskunde en Prof. Roded Sharan, hoofd van de School of Computer Science and AI aan de Universiteit van Tel Aviv.

Tegenwoordig maken geavanceerde sequentietechnologieën het mogelijk om genexpressie op het niveau van individuele cellen te meten en kunnen onderzoekers voor het eerst de genexpressieprofielen van verschillende celpopulaties binnen een biologisch monster onderzoeken en hun effecten op het functionele gedrag van elk celtype ontdekken. Een fascinerend voorbeeld is het begrijpen van de impact van kankerbehandelingen – niet alleen op de kankercellen zelf, maar ook op de pro-kanker ondersteunende cellen of, alternatief, anti-kanker celpopulaties, zoals sommige cellen van het immuunsysteem rondom de tumor.

Ondanks de verbazingwekkende resolutie worden deze metingen gekenmerkt door hoge niveaus van ruis, wat het moeilijk maakt om precieze veranderingen in genetische programma's te identificeren die ten grondslag liggen aan vitale cellulaire functies. Dit is waar scNET in het spel komt.

Ron Sheinin: "scNET integreert single-cell sequencing data met netwerken die mogelijke geninteracties beschrijven, net als een sociaal netwerk, en biedt een kaart van hoe verschillende genen elkaar kunnen beïnvloeden en met elkaar kunnen interacteren. scNET maakt een nauwkeurigere identificatie van bestaande cel populaties in het monster. Zo is het mogelijk om het gemeenschappelijke gedrag van genen onder verschillende omstandigheden te onderzoeken en de complexe mechanismen bloot te leggen die de gezonde toestand of reactie op behandelingen kenmerken."

Prof. Asaf Madi: "In dit onderzoek hebben we ons gericht op een populatie T-cellen, immuuncellen die bekend staan ​​om hun kracht om kankergezwellen te bestrijden. scNET onthulde de effecten van behandelingen op deze T-cellen en hoe ze actiever werden in hun cytotoxische activiteit tegen de tumor, iets dat voorheen niet mogelijk was om te ontdekken vanwege het hoge ruisniveau in de oorspronkelijke gegevens."

Prof. Roded Sharan: "Dit is een uitstekend voorbeeld van hoe hulpmiddelen voor kunstmatige intelligentie kunnen helpen bij het ontcijferen van biologische en medische gegevens, waardoor we nieuwe en belangrijke inzichten kunnen verkrijgen. Het idee is om biomedische onderzoekers te voorzien van computationele hulpmiddelen die zullen helpen bij het begrijpen hoe de cellen van het lichaam functioneren, en zo nieuwe manieren te identificeren om onze gezondheid te verbeteren."

Concluderend laat scNET zien hoe de combinatie van AI met biomedisch onderzoek kan leiden tot de ontwikkeling van nieuwe therapeutische benaderingen, verborgen mechanismen in ziekten kan onthullen en nieuwe behandelingsopties kan voorstellen.