Клетка за клеткой


Подобно переходу от старых камер к зеркалкам, пришло математическое обновление формулы для популярного метода визуализации биоинформатических данных. Это позволит исследователям создавать моментальные снимки экспрессии гена в одной клетке не только в несколько раз быстрее, но и с гораздо более высоким разрешением. Опубликованное в журнале Nature Methods, это новшество Йельских математиков сократит время рендеринга набора данных для РНК-секвенирования (scRNA-seq). Скорость обработки данных выше, чем в 10 раз.

Ученые говорят, что существующий уже десяток лет метод t-распределенного Stochastic Neighborhood Embedding (t-SNE) отлично подходит для представления паттернов конкретных РНК, собранных на уровне одной клетки, данных scRNA-seq, в двух измерениях.

В этой ситуации t-SNE «организует» клетки по генам, которые они экспрессируют, и был использован для обнаружения новых типов клеток и их состояний.

Джордж Линдерман, ведущий автор и доктор философии Йельского университета, аспирант, специализирующийся на прикладной математике.

По вычислительным стандартам t-SNE довольно медленный. Таким образом, исследователи часто «сокращают» набор данных scRNA-seq (берут часть исходного образца) перед применением t-SNE. Тем не менее, снижение выборки – это плохой компромисс, так как маловероятно, что t-SNE сможет охватить редкие клеточные популяции, которые часто являются самой целью исследования.

Более 30 лет назад другая группа математиков Йельского университета разработала метод быстрой многополюсности (FMM), революционную вычислительную технику, которая ускорила процесс. Исследователи признают, что принципы, лежащие в основе FMM, могут также применяться к задачам нелинейного уменьшения размеров, таким как t-SNE, и ускоренному t-SNE, пока оно не получит свое новое имя: FIt-SNE.

Используя наш подход, исследователи могут не только быстрее анализировать данные РНК-секвенирования отдельных клеток, но и использовать их для характеристики субпопуляций редких клеток, которые не могут быть обнаружены более старыми методами.

Юваль Клюгер, старший автор исследования и профессор Йельского университета.

Кроме того, команда использовала визуализацию в стиле тепловых карт для своих результатов FIt-SNE, что позволяет исследователям легко видеть паттерны экспрессии тысяч генов на уровне отдельных клеток одновременно.

Исследователи говорят, что 2019 год не может быть лучшим годом для t-SNE, чтобы создать «FIt». В декабре 2018 года журнал Science назвал отслеживание развития эмбрионов клетка за клеткой, без визуализаций, основанных на данных scRNA-seq, невозможным. По словам исследователей, FIt-SNE ускорит дальнейшую работу в этой области биологии развития, а также в таких областях, как нейробиология и исследования рака, где секвенирование отдельных клеток стало неоценимым инструментом для картирования мозга и понимания опухолей.

Автор: Йельский университет

Перевод: Филипп Дончев

0 0 голоса
Рейтинг статьи


Подписаться
Уведомить о
guest
0 комментариев
Межтекстовые Отзывы
Посмотреть все комментарии
0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x
()
x