La herramienta computacional traduce datos complejos en imágenes simplificadas bidimensionales

La herramienta computacional traduce datos complejos en imágenes simplificadas bidimensionales

¿Qué es la ciencia computacional? (Marzo 2019).

Anonim

En su búsqueda para aprender más sobre la variabilidad de las células entre y dentro de los tejidos, los científicos biomédicos han ideado herramientas capaces de medir simultáneamente docenas de características de células individuales. Sin embargo, estas tecnologías han llevado a nuevos desafíos, ya que los científicos ahora luchan con la forma de dar sentido al tesoro de datos resultante. Ahora una solución puede estar a mano. Investigadores de la Universidad de Columbia y la Universidad de Stanford han desarrollado un método computacional que permite a los científicos visualizar e interpretar datos "de gran dimensión" producidos por tecnologías de medición de células individuales, como la citometría de masa. El método, publicado en la edición en línea de Nature Biotechnology, tiene especial relevancia para la investigación y terapéutica del cáncer.

Los investigadores ahora entienden que el cáncer dentro de un individuo puede albergar subpoblaciones de células con diferentes características moleculares. Los grupos de células pueden comportarse de manera diferente entre sí, incluso en la forma en que responden al tratamiento. La capacidad de estudiar células individuales, así como identificar y caracterizar subpoblaciones de células cancerosas dentro de un individuo, podría conducir a métodos más precisos de diagnóstico y tratamiento.

"Nuestro método no solo permitirá a los científicos explorar la heterogeneidad de las células cancerosas y caracterizar las células cancerosas resistentes a los medicamentos, sino que también permitirá a los médicos rastrear la progresión del tumor, identificar células cancerosas resistentes a los medicamentos y detectar cantidades mínimas de células cancerosas que aumenten el riesgo de recaída ", dijo la coautora Dana Pe'er, PhD, profesora asociada de ciencias biológicas y biología de sistemas en Columbia. El otro co-autor principal es Garry P. Nolan, PhD, profesor de microbiología e inmunología en Stanford.

El método, llamado viSNE (Incrustación Stochastic Neighbor Neighbor visual interactivo), se basa en un sofisticado algoritmo que traduce datos de alta dimensión (por ejemplo, un conjunto de datos que incluye muchas mediciones simultáneas diferentes de células individuales) en representaciones visuales similares a la dispersión bidimensional tramas ": los gráficos simples con los ejes X e Y que muchas personas encuentran por primera vez en matemáticas y biología en la escuela secundaria. "Básicamente, viSNE proporciona una forma de visualizar datos de muy alta dimensión en dos dimensiones, mientras se mantiene la organización y estructura más importante de los datos", dijo el Dr. Pe'er. "El color se usa como una tercera dimensión para permitir a los usuarios visualizar de forma interactiva varias características de las celdas".

El software viSNE puede analizar mediciones de docenas de marcadores moleculares. En los mapas bidimensionales que resultan, la distancia entre puntos representa el grado de similitud entre celdas individuales. Los mapas pueden revelar grupos de células claramente definidos con comportamientos distintos (por ejemplo, resistencia a los medicamentos), incluso si son solo una pequeña fracción de la población total. Esto debería permitir el diseño de formas de aislar físicamente y estudiar estas subpoblaciones celulares en el laboratorio.

Aunque el algoritmo subyacente al método es complejo, el Dr. Pe'er espera que todos los investigadores, sin importar su nivel de experiencia matemática, puedan usar viSNE.

Para demostrar la utilidad del software, el Dr. Pe'er y sus colegas utilizaron citometría de masa y viSNE para estudiar las células de médula ósea de pacientes con leucemia mieloide aguda. Actualmente, los médicos pueden incorporar como mucho 4 a 8 marcadores para evaluar las células. Debido a que la citometría de masa y viSNE pueden incorporar muchos más marcadores, viSNE puede identificar diferencias más sutiles entre las células. Usando el algoritmo, el Dr. Pe'er y sus colegas pudieron revelar una heterogeneidad previamente desconocida en las células de la médula ósea que estudiaron.

Los investigadores también demostraron que viSNE podría detectar una enfermedad mínima residual (ERM): cantidades extremadamente pequeñas de células cancerosas que persisten después de la quimioterapia y aumentan el riesgo de recurrencia. "En pruebas ciegas, pudimos encontrar tan pocas como 20 células cancerosas de decenas de miles de células sanas", dijo el Dr. Pe'er. Una cantidad tan pequeña de células es extremadamente difícil de detectar, incluso por el patólogo más experimentado.

"La capacidad de detectar MRD es fundamental para curar el cáncer", agregó el Dr. Pe'er. "Eliminar incluso el 99.9 por ciento de un tumor no produce una cura. Tienes que ser capaz de encontrar, y luego eliminar, las pequeñas poblaciones de células que pueden sobrevivir a la terapia y llevar a la recaída de la enfermedad".