Revolutionaire scAMF-methode: versnelt en verbetert analyse van genomische data bij ziekteonderzoek

AmsterdamOnderzoekers van de Nationale Universiteit van Singapore hebben een nieuwe methode ontwikkeld voor het analyseren van enkelcellige RNA-sequencing (scRNA-seq) data. Deze techniek, genaamd scAMF (Single-cell Analysis via Manifold Fitting), verbetert de nauwkeurigheid en snelheid van het interpreteren van deze data. Met behulp van geavanceerde wiskunde vermindert scAMF ruis in de data terwijl belangrijke biologische informatie behouden blijft. Deze nieuwe methode kan het onderzoek naar onder andere kanker en de ziekte van Alzheimer versnellen.

Traditionele methoden voor single-cell RNA sequencing (scRNA-seq) analyse kampen vaak met inconsistenties in data veroorzaakt door biologische verschillen en technische fouten. Veelgebruikte technieken zoals genomische imputatie en grafgebaseerde methoden schieten tekort in het nauwkeurig identificeren van celtypen. scAMF biedt oplossingen voor deze problemen door gebruik te maken van geavanceerde technieken, waaronder:

• Gegevens transformeren om ruis te verminderen
• Manifold-aanpassing met behulp van gedeelde nabijheidsmetingen
• Validatie van ongecontroleerde clustering

scAMF groepeert cellen van hetzelfde type nauwkeuriger op basis van hun genexpressie, terwijl het verschillende celtypes duidelijk gescheiden houdt. Dit stelt onderzoekers in staat om preciezere analyses uit te voeren en verborgen verschillen tussen cellen te ontdekken.

Lees ook:

Vandaag · 17:42

Nieuw onderzoek: de communicatie van moeders beïnvloedt de oxytocineniveaus en sociale vaardigheden van baby's.

scAMF is cruciaal omdat het helpt bij het creëren van gedetailleerde celkaarten. Op dit moment is dit lastig omdat het moeilijk is om kleine groepen cellen te identificeren en oude methoden niet meer goed werken. De onderzoekers gebruiken nu scAMF in een nieuwe stapsgewijze aanpak om zeldzame celtypen te vinden en gedetailleerde celkaarten te maken. Deze methode onderzoekt de diversiteit binnen cellen, van veelvoorkomende types tot zeldzame subpopulaties, wat zorgt voor een duidelijk begrip van cel functies en verschillen.

De vooruitgang in scAMF-technologie heeft grote gevolgen. Door de nauwkeurigheid van celtypeclassificatie te verbeteren en de datavisualisatie te optimaliseren, kan scAMF ons begrip van complexe biologische systemen aanzienlijk vergroten. Bij het Human Brain Cell Atlas-project, bijvoorbeeld, heeft scAMF al nieuwe celtypes en merkergenen geïdentificeerd, waarmee het zijn potentieel aantoont om nieuwe biologische informatie te onthullen.

Dit nieuwe kader lost niet alleen bestaande problemen op, maar creëert ook nieuwe kansen voor biomedisch onderzoek. Het is efficiënt in berekeningen, nauwkeuriger en behoudt gegevens beter, wat het tot een krachtig hulpmiddel voor wetenschappers maakt. De verbeteringen door scAMF kunnen mogelijk leiden tot nieuwe onderzoeks- en klinische toepassingen, waardoor we ziektes op celniveau sneller kunnen begrijpen.