Entdeckung von aggressiven Krebs Zelltypen möglich mit machine learning-Techniken

Entdeckung von aggressiven Krebs Zelltypen möglich mit machine learning-Techniken

2020-06-25

Durch die Anwendung unbeaufsichtigt und automatisiert machine learning-Techniken auf die Analyse von Millionen von Krebszellen, Rebecca Ihrie und Jonathan Irish, beide associate Professoren für Zell-und Entwicklungsbiologie, identifiziert haben neue Krebs Zelltypen im Gehirn-Tumoren. Maschinelles lernen ist eine Reihe von computer-algorithmen, die Rückschlüsse auf Muster in enormen Mengen von Daten und Holen Sie intelligenter mit mehr Erfahrung. Dieser Befund hält das Versprechen, so dass Forscher besser verstehen und Ziel dieser Zelltypen für die Forschung und Therapie für Glioblastom—ein aggressiver Hirn-tumor mit einer hohen Sterblichkeit—sowie der breiteren Anwendbarkeit von machine learning-Krebs-Forschung.

Mit Ihren Mitarbeitern, Ihrie und irischen entwickelt Risikobewertung Bevölkerung, – Identifizierung (RAPID), einer open-source machine learning-Algorithmus, der offenbart koordinierte Muster der protein-expression und Modifikation im Zusammenhang mit überleben Ergebnisse.

Der Artikel „Unüberwachten maschinellen Lernens zeigt Risiko stratifying Glioblastom-Tumorzellen“ wurde online veröffentlicht in der Zeitschrift eLife am Juni 23. RAPID-code und Beispiele sind auf der cytolab Github-Seite.

In den letzten zehn Jahren, die Forschung arbeitet seit den leverage machine learning ist die Fähigkeit zu absorbieren und zu analysieren, weitere Daten für Krebs-Zell-Forschung als der menschliche Verstand allein verarbeiten kann. „Ohne menschliche Aufsicht, SCHNELLE durchforstet und 2 Mio Tumorzellen mit mindestens 4,710 Glioblastom-Zellen von jedem Patienten—vom 28 Glioblastom, Kennzeichnen die ungewöhnliche Zellen und Muster für uns zu schauen“, sagte Ihrie. „Wir sind in der Lage zu finden, die Nadeln im Heuhaufen, ohne durchsuchen des gesamten Heuhaufen. Diese Technologie erlaubt uns widmen unsere Aufmerksamkeit zu einem besseren Verständnis der gefährlichsten Krebszellen und näher zu kommen letztlich Kurieren Hirntumoren.“

Gefüttert, in eine SCHNELLE, wurden die Daten auf zelluläre Proteine, die für die Identität und Funktion der neuralen Stammzellen und anderen Zellen des Gehirns. Der Datentyp verwendet wird, heißt single-cell-mass cytometry, ein Messverfahren in der Regel angewendet, um Blutkrebs. Einmal RAPID die statistische Analyse wurde abgeschlossen und die „Nadeln im Heuhaufen“ gefunden wurden, werden nur diese Zellen wurden untersucht. „Eines der spannendsten Ergebnisse unserer Forschung ist, dass von unüberwachten maschinellen Lernens fanden die schlimmsten Täter Zellen, ohne die Forscher zu geben, die es klinischen oder biologischen wissen als Kontext,“ sagte Irisch, auch der wissenschaftliche Direktor des Vanderbilt ‚ s Cancer & Immunologie Kern. „Die Ergebnisse dieser Studie bilden aktuell die größte der Biologie Voraus von meinem lab an der Vanderbilt.“

Die Forscher “ maschinelles lernen Analyse aktiviert Ihr team, um zu studieren mehrere Merkmale der Proteine in der Gehirn-tumor-Zellen in Bezug auf die anderen Merkmale, liefert neue und unerwartete Muster. „Die Zusammenarbeit zwischen unseren beiden Labors, die Unterstützung, die wir erhalten für diese high-risk-die Arbeit von Music row und der Vanderbilt-Ingram Cancer Center (VICC) und die fruchtbare Zusammenarbeit mit Neurochirurgen und Pathologen, die eine einzigartige Möglichkeit zur Untersuchung der menschlichen Zellen direkt aus dem Gehirn erlaubt es uns, diesen Meilenstein“, sagte Ihrie und Irisch in einer gemeinsamen Erklärung. Die co-erste Autoren des Papiers sind ehemalige Vanderbilt graduate-Studenten Nalin Leelatian, eine aktuelle Neuropathologie Assistenzarzt in Yale (Irish lab), und Justine Sinnaeve (Ihrie lab). Durch Ihre Forschung und die Arbeit an diesem Thema, Leelatian verdient der American Brain Tumor Association (ABTA) Scholar-in-Training Award der American Association for Cancer Research (AACR) im April 2017.