L’IA facilite l’identification des sous-structures tissulaires grâce au transcriptome
Déchiffrer les sous-structures tissulaires ou les domaines spatiaux est l’un des grands défis des biologistes. Ainsi, différentes méthodes ont été adoptées, mais peu utilisent efficacement les informations spatiales disponibles donnant lieu à des sous-structures tissulaires très discrètes. Pour surmonter cet obstacle, de récentes études ont été menées et ont abouti à la création d’une nouvelle approche basée sur un algorithme bien structuré.
En effet, le modèle utilise la technologie de l’intelligence artificielle pour intégrer les informations de localisation spatiale et le profil d’expression génique des taches spatiales. Par conséquent, il fut possible de mieux décrire la limite du domaine de l’espace cellulaire puis d’améliorer les performances des sous-structures cellulaires.
ZHANG Shihua, expert en apprentissage automatique et en biologie computationnelle, a été le principal auteur de l’étude. Par ailleurs, les résultats des recherches ont été publiés dans la revue Nature Communications.
STARGATE, l’algorithme de nouvelle génération complet et fiable
Dans cet algorithme, un auto-encodeur et un mécanisme d’attention graphique sont introduits dans la couche cachée du milieu. Ainsi, ces deux outils sont en mesure d’apprendre les similitudes hétérogènes entre les points voisins de manière adaptative. Selon les chercheurs, le nouveau modèle converti les informations de localisation spatiale en un réseau de voisins spatiaux entre les taches spatiales.
Ensuite, cet algorithme alimente les informations d’expression génique et le réseau spatial dans un auto-encodeur d’attention graphique pour apprendre une représentation de faible dimension des taches. En outre, STARGATE combine les caractéristiques des données Visium et suggère un module de prise en charge du type de cellule basé sur le pré-clustering d’informations d’expression.
Par conséquent, il peut décrire davantage la limite du domaine de l’espace cellulaire. Enfin, le nouveau modèle peut réduire l’effet de lot entre différentes sections en introduisant un réseau spatial entre les sections adjacentes. De cette manière, il s’ensuit une amélioration des performances des sous-structures tissulaires tridimensionnelles.
Une technologie au potentiel prometteur
La plupart des méthodes de regroupement existantes n’utilisent pas efficacement les informations spatiales disponibles, ce qui donne des sous-structures tissulaires très discrètes. La supériorité de STARGATE pour le déchiffrement des sous-structures tissulaires ou des domaines spatiaux a été validée dans divers ensembles de données.
Il convient de noter qu’il peut être utilisé pour analyser les données de transcriptome spatiales de différentes plates-formes de séquençage avec diverses résolutions spatiales.
« Avec le développement rapide de la technologie omique spatiale et l’accumulation continue de données, ce nouveau modèle STAGATE peut faciliter l’analyse précise des données de transcriptome spatial à grande échelle et faire progresser notre compréhension des sous-structures tissulaires. »
ZHANG Shihua, expert en apprentissage automatique et en biologie computationnelle, et auteur principal de l’étude
SOURCE : MIRAGENEWS
