Un equipo de biólogos computacionales ha desarrollado un algoritmo que puede 'alinear' conjuntos de datos de secuenciación múltiple con resolución de celda única. El nuevo método, publicado hoy en la revista Biotecnología de la naturaleza tiene implicaciones para comprender mejor cómo cambian los diferentes grupos de células durante la progresión de la enfermedad, en respuesta al tratamiento farmacológico o a lo largo de la evolución.
"Este enfoque para la integración de datos permitirá la comparación de conjuntos de datos unicelulares y la capacidad de diseccionar las diferencias entre ellos", explica Rahul Satija, autor principal del estudio, profesor asistente en el Centro de Genómica y Biología de Sistemas de NYUy un miembro central de la facultad en el Centro del Genoma de Nueva York. "Además, estos métodos serán valiosos para la integración de diversos conjuntos de datos producidos entre individuos y laboratorios, e incluso para investigadores que estudian el mismo tejido en diferentes especies".
El campo de la secuenciación unicelular se está expandiendo rápidamente, con el potencial de estudiar con precisión cómo funcionan y evolucionan los componentes básicos de la vida. Sin embargo, quedan desafíos computacionales significativos, particularmente al analizar múltiples conjuntos de datos. Por ejemplo, cuando el equipo de forma independienteLos conjuntos de datos analizados de las mismas células madre de médula ósea, producidos por dos laboratorios separados, obtuvieron resultados sorprendentemente diferentes.
"Necesitábamos un nuevo método que pudiera identificar y alinear grupos compartidos de células presentes en múltiples experimentos para poder integrar los conjuntos de datos juntos", dice Andrew Butler, un estudiante graduado en NYU y autor principal del estudio.
Para lograr esto, los investigadores modificaron técnicas analíticas especializadas en encontrar patrones compartidos a través de imágenes, por ejemplo, para alinear visualizaciones faciales a través de diferentes condiciones de iluminación para datos de secuenciación de células individuales. Cuando repitieron su análisis de médula ósea, la misma célulaaparecieron poblaciones constantemente.
"Nos dimos cuenta de que podíamos usar estos métodos para aprender cómo las células modifican su comportamiento, por ejemplo, en respuesta al tratamiento farmacológico", señala Butler.
Al analizar un conjunto de datos de células inmunes humanas estimuladas con interferón, una proteína de señalización creada en respuesta a patógenos o células tumorales, el equipo pudo identificar con precisión qué genes se activaron en cada uno de los 13 tipos de células que respondieron. Además, se integraronconjuntos de datos unicelulares de tejido pancreático de humanos y ratones, identificando así 10 tipos de células que se compartieron entre especies y definiendo los cambios evolutivos que ocurren en cada grupo.
Mirando hacia el futuro, los investigadores están aplicando su enfoque para estudiar las respuestas de medicamentos celulares en muestras clínicas, pero también tienen como objetivo hacer que sus métodos sean ampliamente accesibles.
"Todo nuestro software es de código abierto y está disponible gratuitamente en línea", agrega Satija. "Esperamos que estos métodos ayuden a otros en la comunidad a descubrir nuevos y emocionantes fenómenos biológicos".
El trabajo fue apoyado por subvenciones de los Institutos Nacionales de Salud Premio al Nuevo Innovador 1DP2HG009623-01, 5R01MH071679-12 y una Beca de Posgrado de la Fundación Nacional de Ciencias DGE1342536.
Fuente de la historia :
Materiales proporcionado por Universidad de Nueva York . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :