机器学习技术使侵略性癌细胞类型的发现成为可能
细胞与发育生物学副教授丽贝卡·伊赫里(Rebecca Ihrie)和乔纳森·爱尔兰(Jonathan Irish)通过将无监督和自动化的机器学习技术应用于对数百万癌细胞的分析，已经在脑肿瘤中发现了新的癌细胞类型。机器学习是一系列计算机算法，可以在大量数据中识别模式，并随着经验的积累而变得“更聪明”。这一发现有望使研究人员更好地理解和定位这些细胞类型，以便研究和治疗恶性胶质瘤——一种高死亡率的侵袭性脑肿瘤——以及机器学习更广泛地应用于癌症研究。
Ihrie和Irish与他们的合作者一起开发了一个开源的风险评估群体识别(RAPID)机器学习揭示与生存结果相关的蛋白质表达和修饰协调模式的算法。
《无监督机器学习揭示恶性胶质瘤肿瘤细胞分层的风险》这篇文章发表在该杂志的网上eLife6月23日。快速代码和例子可以在cytolab Github页面上找到。
在过去的十年里研究社区一直致力于利用机器学习的吸收和分析更多数据的能力癌症细胞研究人类的思想就可以处理。Ihrie说:“在没有任何人类监督的情况下，RAPID从28个胶质母细胞瘤中梳理了200万个肿瘤细胞——每个患者中至少有4710个胶质母细胞瘤细胞，标出了最不寻常的细胞和模式供我们研究。”“我们能够在不搜索整个草堆的情况下找到针。这项技术让我们把注意力投入到更好地理解最危险的事物上癌症细胞为了更接近最终治愈脑癌。”
RAPID提供了控制神经干细胞和其他脑细胞特性和功能的细胞蛋白质的数据。所使用的数据类型被称为单细胞质量细胞术，这是一种典型应用于血癌的测量技术。一旦RAPID的统计分析完成，“大海捞针”被发现，就只研究这些细胞。“我们的研究最令人兴奋的结果之一是，无监督机器学习在不需要研究人员提供临床或生物学知识的情况下发现了最糟糕的犯罪细胞，”爱尔兰说，他也是范德比尔特大学癌症与免疫学中心的科学主任。“这项研究的发现目前代表了我在范德比尔特实验室在生物学方面的最大进步。”
研究人员的机器学习分析使他们的团队能够研究脑肿瘤细胞中蛋白质的多种特征与其他特征的关系，提供新的和意想不到的模式。“我们两个实验室之间的合作，范德比尔特和范德比尔特-英格拉姆癌症中心(VICC)对这项高风险工作的支持，以及与神经外科医生和病理学家的卓有成效的合作，他们提供了一个独特的机会来研究人类细胞Ihrie和Irish在一份联合声明中说。该论文的共同第一作者是前范德比尔特大学研究生纳林·利拉提安(Nalin Leelatian)，目前是耶鲁大学(爱尔兰实验室)神经病理学住院医师，以及贾斯汀·辛纳伊夫(Ihrie实验室)。通过她在这一课题上的研究和工作，Leelatian于2017年4月获得了美国脑瘤协会(ABTA)、美国癌症研究协会(AACR)奖学金。
这项研究的适用性还不止于此癌症研究用于更广泛的人类疾病研究和使用多个样本的疾病实验室建模的数据分析技术。论文还证明，一旦发现这些复杂的模式，就可以用于开发可应用于数百个样本的更简单的分类。研究胶质母细胞瘤脑部肿瘤当他们测试自己的样本是否与Ihrie, Irish和合作者发现的细胞和蛋白质表达模式相比较时，将能够参考这些发现。
用户评论