Leitura rápida

Inteligência Artificial viabiliza análise individual de grandes conjuntos de células
27 de janeiro de 2025, 11:10

Fonte

Julia Rinner, Universidade Técnica de Munique

Publicação Original

Universidade Técnica de Munique

Áreas

Bioinformática, Biologia, Computação, Engenharia Biológica, Genômica, Microbiologia, Modelagem Matemática, Simulação Computacional

Compartilhar

Resumo

Com novas tecnologias e novos recursos que permitem a análise de uma quantidade extremamente grande de dados, pesquisadores têm tentado estender os estudos de células individuais para a análise celular individual de uma grande quantidade de células, o que permitiria compreender melhor mecanismos envolvidos em doenças e também desenhar novos alvos terapêuticos.

Recentemente, pesquisadores da Universidade Técnica de Munique (TUM) e da organização Helmholtz Munique, na Alemanha, testaram o aprendizado autossupervisionado como abordagem de Inteligência Artificial (IA) promissora para analisar um grande conjunto de células individualmente.

Esta forma de aprendizagem de máquina funciona com dados não rotulados, ou seja, nenhum dado de amostra classificado é necessário antecipadamente. Dados não rotulados estão disponíveis em grandes quantidades e permitem a representação robusta de enormes volumes de dados.

O aprendizado autossupervisionado é baseado em dois métodos: o aprendizado mascarado – em que  uma parte dos dados de entrada é mascarada e o modelo é treinado para ser capaz de reconstruir os elementos ausentes – e o aprendizado contrastivo, no qual o modelo aprende a combinar dados semelhantes e separar dados diferentes.

Os pesquisadores usaram os dois métodos de aprendizado autossupervisionado para testar mais de 20 milhões de células individuais e comparou os resultados com aqueles obtidos pelos métodos de aprendizado clássicos. Na avaliação dos diferentes métodos, os pesquisadores se concentraram em tarefas como a previsão de tipos de células e a reconstrução da expressão gênica.

Os resultados do estudo mostraram que o aprendizado autossupervisionado melhora o desempenho da análise  especialmente ao analisar conjuntos de dados menores informados por insights de um conjunto de dados auxiliar maior.

Além disso, a comparação entre os aprendizados mascarado e contrastivo mostrou que o aprendizado mascarado é mais adequado para aplicações com grandes conjuntos de dados de células únicas.

Agora, os pesquisadores estão usando os dados para trabalhar no desenvolvimento de ‘células virtuais’: modelos de computador abrangentes que refletem a diversidade de células em diferentes conjuntos de dados.

Esses modelos são promissores para a análise de alterações celulares, como ocorre em doenças, por exemplo.

Os resultados foram publicados na revista científica Nature Machine Intelligence.

Em suas publicações, o Portal SciAdvances tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal SciAdvances tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas. 

Publicação

Acesse o artigo científico completo (em inglês).

Acesse a revista científica Nature Machine Intelligence (em inglês).

Mais Informações

Acesse a notícia original completa na página da Universidade Técnica de Munique (em inglês).

Comunique um Erro

Leia também:

Rolar para cima