Adam Zewe, Massaçusets Texnologiya İnstitutu tərəfindən

Lisa Lock tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Model ablasiya testlərinin memarlıq təfərrüatları və rekonstruksiya itkisinin müqayisəsi. Kredit: Nature Computational Science (2026). DOI: 10.1038/s43588-025-00948-w

Xərçəng xəstəsinin hüceyrələrində gen ifadəsini öyrənmək klinik bioloqlara xərçəngin mənşəyini anlamağa və müxtəlif müalicələrin uğurunu proqnozlaşdırmağa kömək edə bilər. Lakin hüceyrələr mürəkkəbdir və bir çox təbəqədən ibarətdir, buna görə də bioloqun ölçmələri necə aparması onların əldə edə biləcəklərinə təsir göstərir. Məsələn, hüceyrədəki zülalların ölçülməsi, gen ifadəsini və ya hüceyrə morfologiyasını ölçməkdən fərqli olaraq, xərçəngin təsirləri haqqında fərqli məlumat verə bilər.

Məlumatın hüceyrədə haradan gəldiyi vacibdir. Lakin hüceyrənin vəziyyəti haqqında tam məlumat əldə etmək üçün elm adamları tez-tez müxtəlif üsullardan istifadə edərək bir çox ölçmə aparmalı və onları bir-bir təhlil etməlidirlər. Maşın öyrənmə metodları prosesi sürətləndirə bilər, lakin mövcud metodlar hər bir ölçmə üsulundan bütün məlumatları bir yerə toplayır və bu da hansı məlumatların hüceyrənin hansı hissəsindən gəldiyini anlamağı çətinləşdirir.

Bu problemi aradan qaldırmaq üçün MIT Broad İnstitutu, Harvard və ETH Sürix/Paul Scherrer İnstitutunun (PSI) tədqiqatçıları hüceyrənin vəziyyəti haqqında hansı məlumatların müxtəlif ölçmə üsulları arasında paylaşıldığını və hansı məlumatların müəyyən bir ölçmə növünə xas olduğunu öyrənən süni intellektlə idarə olunan bir çərçivə hazırladılar.

Hansı məlumatın hansı hüceyrə hissələrindən gəldiyini dəqiq müəyyən etməklə, yanaşma hüceyrənin vəziyyəti haqqında daha vahid bir mənzərə təqdim edir və bioloqun hüceyrə qarşılıqlı təsirlərinin tam mənzərəsini görməsini asanlaşdırır. Bu, alimlərə xəstəlik mexanizmlərini anlamağa və xərçəngin, Alzheimer kimi neyrodegenerativ xəstəliklərin və diabet kimi metabolik xəstəliklərin irəliləməsini izləməyə kömək edə bilər.

“Hüceyrələri araşdırdığımız zaman bir ölçmə çox vaxt kifayət etmir, buna görə də elm adamları hüceyrələrin müxtəlif aspektlərini ölçmək üçün yeni texnologiyalar hazırlayırlar. Bir hüceyrəyə baxmağın bir çox yolu olsa da, günün sonunda yalnız bir əsas hüceyrə vəziyyətimiz var.”

“Bütün bu ölçmə üsullarından əldə edilən məlumatları daha ağıllı şəkildə bir araya gətirməklə hüceyrənin vəziyyəti haqqında daha dolğun bir təsəvvürə sahib ola bilərik”, – deyə aparıcı müəllif, MIT Elektrik Mühəndisliyi və Kompüter Elmləri Bölməsinin (EECS) keçmiş aspirantı və MIT və Harvard Broad İnstitutundakı Erik və Vendi Şmidt Mərkəzinin filialı, hazırda Avstriyanın Vyana şəhərindəki AITHYRA-da qrup rəhbəri olan Xinyi Zhang SM ’22, Ph.D. ’25 bildirir.

Zhang, ETH Sürix Səhiyyə Elmləri və Texnologiyaları Departamentinin professoru və PSI-də Çoxmiqyaslı Biogörüntüləmə Laboratoriyasının rəhbəri GV Şivaşankar və EECS və MIT-də Məlumat, Sistemlər və Cəmiyyət İnstitutunun (IDSS) professoru, MIT-in İnformasiya və Qərar Sistemləri Laboratoriyasının (LIDS) üzvü və Broad İnstitutundakı Eric və Wendy Schmidt Mərkəzinin direktoru baş müəllif Caroline Uhler tərəfindən iş haqqında bir məqalə üzərində işləyir. Tədqiqat Nature Computational Science jurnalında dərc olunub .

Birdən çox ölçmənin manipulyasiya edilməsi

Alimlərin hüceyrənin vəziyyəti haqqında məlumat əldə etmək üçün istifadə edə biləcəyi bir çox vasitə var. Məsələn, onlar hüceyrənin böyüdüyünü görmək üçün RNT-ni ölçə bilərlər və ya hüceyrənin xarici fiziki və ya kimyəvi siqnallarla işləyib-işləmədiyini görmək üçün xromatin morfologiyasını ölçə bilərlər.

Şivaşankar deyir ki, “Alimlər multimodal analiz apararkən, birdən çox ölçmə üsulundan istifadə edərək məlumat toplayır və hüceyrənin əsas vəziyyətini daha yaxşı başa düşmək üçün onu inteqrasiya edirlər. Bəzi məlumatlar yalnız bir üsulla əldə edilir, digər məlumatlar isə üsullar arasında paylaşılır. Hüceyrənin daxilində nələrin baş verdiyini tam başa düşmək üçün məlumatın haradan gəldiyini bilmək vacibdir”.

Çox vaxt alimlər üçün bunu həll etməyin yeganə yolu birdən çox fərdi təcrübə aparmaq və nəticələri müqayisə etməkdir. Bu yavaş və çətin proses onların toplaya biləcəyi məlumat miqdarını məhdudlaşdırır.

Yeni işdə tədqiqatçılar hansı məlumatların müxtəlif modallıqlar arasında üst-üstə düşdüyünü və hansı məlumatların müəyyən bir modallığa xas olduğunu, lakin digərləri tərəfindən tutulmadığını xüsusi olaraq anlayan bir maşın öyrənmə çərçivəsi qurdular.

“İstifadəçi olaraq, sadəcə mobil məlumatlarınızı daxil edə bilərsiniz və o, avtomatik olaraq hansı məlumatların paylaşıldığını və hansı məlumatların üsula xas olduğunu sizə bildirir”, – deyə Zhang bildirir.

Bu çərçivəni qurmaq üçün tədqiqatçılar maşın öyrənmə modellərinin multimodal hüceyrə ölçmələrini ələ keçirmək və şərh etmək üçün tipik şəkildə necə qurulduğunu yenidən düşündülər.

Adətən avtoenkoderlər kimi tanınan bu metodlar hər ölçmə modalı üçün bir modelə malikdir və hər bir model həmin modal tərəfindən tutulan məlumatlar üçün ayrıca bir təqdimatı kodlaşdırır. Təqdimat, hər hansı bir əlaqəsiz detalı atan giriş məlumatlarının sıxılmış versiyasıdır.

MIT metodu, birdən çox modalitə arasında üst-üstə düşən məlumatların kodlandığı ortaq bir təmsil sahəsinə, eləcə də hər bir modalitədən unikal məlumatların kodlandığı ayrı boşluqlara malikdir.

Əslində, bunu mobil məlumatların Venn diaqramı kimi düşünmək olar.

Tədqiqatçılar həmçinin modellərinə hansı məlumatların birdən çox məlumat üsulu arasında paylaşılacağına qərar verməyin mürəkkəbliyini idarə etməyə kömək edən xüsusi, iki mərhələli təlim prosedurundan istifadə etdilər. Təlimdən sonra model əvvəllər heç görmədiyi hüceyrə məlumatları verildikdə hansı məlumatların paylaşıldığını və hansılarının unikal olduğunu müəyyən edə bilər.

Gündəlik məlumat üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosdakı ən son yenilikləri kəşf edin . Pulsuz bülletenimizə abunə olun və vacib olan nailiyyətlər, innovasiyalar və tədqiqatlar haqqında gündəlik və ya həftəlik yeniliklərdən xəbərdar olun .

Məlumatları fərqləndirmək

Sintetik məlumat dəstləri üzərində aparılan sınaqlarda, çərçivə məlum paylaşılan və modallığa xas məlumatları düzgün şəkildə qeyd etdi. Onlar metodlarını real dünyadakı tək hüceyrəli məlumat dəstlərinə tətbiq etdikdə , transkriptomika və xromatin əlçatanlığı kimi iki ölçmə üsulu ilə birgə qeydə alınan gen aktivliyini hərtərəfli və avtomatik olaraq fərqləndirdi, eyni zamanda hansı məlumatların bu üsullardan yalnız birindən gəldiyini düzgün müəyyən etdi.

Bundan əlavə, tədqiqatçılar xərçəng xəstələrində DNT zədələnməsini göstərən müəyyən bir protein markerini hansı ölçmə üsulunun tutduğunu müəyyən etmək üçün metodlarından istifadə etdilər. Bu məlumatın haradan gəldiyini bilmək klinik alimə həmin markeri ölçmək üçün hansı texnikadan istifadə etməli olduğunu müəyyən etməyə kömək edərdi.

“Bir hüceyrədə çoxlu modalitə var və biz onların hamısını ölçə bilmərik, ona görə də proqnozlaşdırma alətinə ehtiyacımız var. Amma sonra sual yaranır: Hansı modalitələri ölçməliyik və hansı modalitələri proqnozlaşdırmalıyıq? Bizim metodumuz bu suala cavab verə bilər”, – deyə Uhler bildirir.

Gələcəkdə tədqiqatçılar modelin hüceyrənin vəziyyəti haqqında daha çox şərh edilə bilən məlumat verməsinə imkan yaratmaq istəyirlər. Onlar həmçinin modelin hüceyrə məlumatlarını düzgün şəkildə ayırdığından əmin olmaq və modeli daha geniş klinik suallara tətbiq etmək üçün əlavə təcrübələr aparmaq istəyirlər.

Uhler deyir ki, “Bütün bu modalitələrdən məlumatları sadəcə birləşdirmək kifayət deyil. Hüceyrələrin müxtəlif komponentlərinin bir-birini necə tənzimlədiyini anlamaq üçün müxtəlif modalitələri diqqətlə müqayisə etsək, hüceyrənin vəziyyəti haqqında çox şey öyrənə bilərik.”

Nəşr detalları

Xinyi Zhang və digərləri, Qismən paylaşılan çoxmodal yerləşdirmə hüceyrə vəziyyətinin vahid təmsilçiliyini öyrənir, Nature Computational Science (2026). DOI: 10.1038/s43588-025-00948-w

Jurnal məlumatları: Təbiət Hesablama Elmi 

Əsas anlayışlar

hüceyrə biologiyasıBiomolekulyar və subhüceyrəvi proseslərHüceyrə quruluşu, fiziologiyası və dinamikasıSüni intellektBioinformatika

Massaçusets Texnologiya İnstitutu tərəfindən təmin edilir