Ny studie: Förbättrad analys av genomdata med en banbrytande matematisk metod

StockholmForskare vid National University of Singapore har utvecklat en ny metod för att analysera enkelcellig RNA-sekvensering (scRNA-seq) data. Denna teknik, kallad scAMF (Single-cell Analysis via Manifold Fitting), förbättrar noggrannheten och hastigheten i tolkningen av denna data. Genom avancerad matematik minskar scAMF brus i datan samtidigt som viktig biologisk information bibehålls. Denna nya metod kan påskynda forskning inom områden som cancer och Alzheimers sjukdom.

Traditionella metoder för analys av enkelcells RNA-sekvensering (scRNA-sekvensering) misslyckas ofta med att hantera inkonsekventa data som orsakas av biologiska skillnader och tekniska misstag. Vanliga tekniker som genomisk imputering och grafbaserade metoder identifierar inte celltyper på ett precist sätt. scAMF löser dessa problem genom att använda flera avancerade tekniker, inklusive:

• Datatransformation för att minska brus
• Anpassning av mångfald med hjälp av delade närmsta granne-metriker
• Validering av oövervakad klustring

scAMF grupperar celler av samma typ baserat på deras genuttryck på ett mer detaljerat sätt samtidigt som olika celltyper hålls åtskilda. Detta hjälper forskare att utföra mer precisa analyser och upptäcka dolda skillnader mellan celler.

Läs också:

Idag · 04:18

Vulkaner avslöjar Ios interna hetta

scAMF spelar en viktig roll eftersom det kan skapa detaljerade cellkartor. Just nu är det svårt att göra dessa kartor eftersom det är besvärligt att identifiera små cellgrupper, och äldre metoder fungerar inte längre bra. Forskarna använder nu scAMF i en ny steg-för-steg-metod för att hitta sällsynta celltyper och bygga detaljerade cellkartor. Denna metod hjälper till att undersöka variationen inom cellerna, från vanliga typer till sällsynta undergrupper, och ger en tydlig förståelse för cellernas funktioner och skillnader.

Framstegen inom scAMF-teknologi har betydande effekter. Genom att göra celltypklassificeringen mer exakt och förbättra datavisualiseringen kan scAMF avsevärt förbättra vår förståelse av komplexa biologiska system. Till exempel har scAMF i Human Brain Cell Atlas-projektet redan upptäckt nya cellsubtyper och markergener, vilket visar dess förmåga att avslöja ny biologisk information.

Detta nya ramverk löser inte bara aktuella problem, utan skapar också nya möjligheter för biomedicinsk forskning. Det är både datoreffektivt, mer precist och bevarar data bättre, vilket gör det till ett kraftfullt verktyg för forskare. Förbättringarna som scAMF medför kan potentiellt leda till nya forsknings- och kliniska tillämpningar och hjälper oss att snabbare förstå sjukdomar på cellnivå.