Los métodos tradicionales de secuenciación unicelular ayudan a revelar información sobre las diferencias y funciones celulares, pero lo hacen solo con instantáneas estáticas en lugar de películas de lapso de tiempo. Esta limitación hace que sea difícil sacar conclusiones sobre la dinámica del desarrollo celular y lasEl método recientemente introducido "velocidad del ARN" tiene como objetivo reconstruir la trayectoria de desarrollo de una célula sobre una base computacional aprovechando las proporciones de transcripciones sin empalmar y sin empalmar. Sin embargo, este método solo es aplicable a poblaciones en estado estable. Por lo tanto, los investigadoresbuscando formas de extender el concepto de velocidad del ARN a poblaciones dinámicas que son de crucial importancia para comprender el desarrollo celular y la respuesta a las enfermedades.
velocidad de celda única
Investigadores del Instituto de Biología Computacional de Helmholtz Zentrum München y el Departamento de Matemáticas de TUM desarrollaron "scVelo" velocidad de una sola célula. El método estima la velocidad del ARN con un modelo basado en IA al resolver el gen transcripcional completodinámica. Esto les permite generalizar el concepto de velocidad del ARN a una amplia variedad de sistemas biológicos, incluidas las poblaciones dinámicas.
"Hemos utilizado scVelo para revelar el desarrollo celular en el páncreas endocrino, en el hipocampo y para estudiar los procesos dinámicos en la regeneración pulmonar, y esto es solo el comienzo", dice Volker Bergen, creador principal de scVelo y primer autor deel correspondiente estudio en Nature Biotechnology.
Con scVelo, los investigadores pueden estimar las tasas de reacción de la transcripción, el empalme y la degradación del ARN sin la necesidad de datos experimentales. Estas tasas pueden ayudar a comprender mejor la identidad celular y la heterogeneidad fenotípica. Su introducción de un tiempo latente reconstruye el tiempo de desarrollo desconocido paraposicionar las células a lo largo de la trayectoria del proceso biológico subyacente. Esto es particularmente útil para comprender mejor la toma de decisiones celular. Además, scVelo revela cambios regulatorios y genes impulsores putativos en ellos. Esto ayuda a comprender no solo cómo sino también por qué las células se están desarrollando de la maneraellas hacen.
Potenciando tratamientos personalizados
Las herramientas basadas en IA como scVelo dan lugar a tratamientos personalizados. Pasar de instantáneas estáticas a dinámicas completas permite a los investigadores pasar de modelos descriptivos a predictivos. En el futuro, esto podría ayudar a comprender mejor la progresión de enfermedades, como la formación de tumores, odesentrañar la señalización celular en respuesta al tratamiento del cáncer.
"scVelo se ha descargado casi 60.000 veces desde su lanzamiento el año pasado. Se ha convertido en un trampolín hacia la base cinética de la transcriptómica unicelular", añade el profesor Fabian Theis, quien concibió el estudio y se desempeña como director de laInstituto de Biología Computacional en Helmholtz Zentrums München y Cátedra de Modelado Matemático de Sistemas Biológicos en TUM.
Fuente de la historia :
Materiales proporcionado por Helmholtz Zentrum München - Centro alemán de investigación para la salud ambiental . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :