CC BY
8
МАТЕРИАЛЫ V НАЦИОНАЛЬНОГО КОНГРЕССА ПО РЕГЕНЕРАТИВНОЙ МЕДИЦИНЕ
15
экспрессии поверхностных маркеров в выявленных субпопуляциях позволил предложить PDGFRA для их разделения методом проточного сортинга и дальнейшего сравнения функциональных свойств.
Таким образом, в профибротическом микроокружении может реализовываться гетерогенность ответов МСК, в виде как активации дифференцировки определенной субпопуляции МСК в миофибробласты, так и образовании субпопуляции с предположительно выраженными антифибротическими свойствами.
Работа выполнена при поддержке Российского научного фонда (грант 19-75-30007).
Литература:
1. Martens J.H., Stunnenberg H.G. Haematologica. 2013 0ct;98(10):1487-9.
2. Karlsson M. et al. Science Advances. — 2021. — Т. 7. — № . 31. — С. eabh2169.
3. Franzen 0., Gan L.M., Björkegren J.L.M. Panglao Database. — 2019. — Т. 2019.
4. Franzen 0., Björkegren J.L.M. Bioinformatics. — 2020. — Т. 36. — № . 12. — С. 3910-3912.
5. Aran D, Looney AP, Liu L et al. 2019. Nat. Immunol., 20, 163-172.
6. La Manno G. et al. Nature. — 2018. — Т. 560. — № . 7719. — С. 494-498.
7. Hao Y. et al. Cell. — 2021. — Т. 184. — № . 13. — С. 35733587. e29.
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО
ОБУЧЕНИЯ И СИСТЕМНОЙ БИОЛОГИИ
В АНАЛИЗЕ ДАННЫХ ТРАНСКРИПТОМА
ОДИНОЧНЫХ КЛЕТОК
М.С. Арбатский1, А.Ю. Ефименко1, 2
1 Факультет фундаментальной медицины МГУ им. М.В. Ломоносова, Москва, Россия
2 Институт регенеративной медицины, Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова, Москва, Россия
e-mail: [email protected]
Ключевые слова: машинное обучение, нейронные сети, анализ транскриптома одиночных клеток, системная биология.
Внедрение методов секвенирования транскриптома одиночных клеток (scRNA-seq) одновременно расширило возможности для научных исследований, но также увеличило количество вычислительных задач. Сразу после начала использования первых программных продуктов для анализа данных scRNA-seq появились многочисленные публикации, посвященные выявлению новых типов клеток и неизвестных до сих пор субпопуляций.
В стандартном пайплайне анализа данных scRNA-seq выделяют несколько следующих друг за другом этапов обработки данных: выравнивание транскриптов на геном, препроцессинг, включающий контроль качества и удаление низкокачественных клеток, нормализацию, снижение размерности, кластеризацию, типирование (идентификацию) клеток, визуализацию и функциональный анализ. Однако, результаты, получаемые на этапе кластеризации и типирования клеток, не являются исчерпывающими. Так, количество, размер и взаиморасположение кластеров зависит от применяемых в стандартных пайплайнах алгоритмах. Например, в широкоизвестном программном пайплайне Cell Ranger используются метод к-средних и графовая кластеризация [1]. Применяемые
методы автоматического типирования клеток основаны на трансфере вручную заранее определенных меток с референсных датасетов на анализируемые.
В связи с бурным развитием методов машинного обучения и применением нейронных сетей в анализе данных scRNA-seq появились принципиально новые возможности в этих двух задачах. В случае получения неудовлетворительного результата кластеризации, исследователю приходится вносить изменения в пространство признаков для корректировки результата. Зачастую эта связь не прозрачна, что приводит к большому числу итераций. Так, для кластеризации используется R-пакет на базе нейронных сетей scDeepCluster [2], позволяющий итеративно учитывать обратную связь без корректировки пространства признаков.
Для типирования клеток используется scCapsNet (CapsNet) [3]. Модель scCapsNet обеспечивает вклад каждого извлеченного признака в распознавание типа клеток. Кроме того, смешивание данных об экспрессии РНК двух клеток разных клеточных типов с последующим использованием модели scCapsNet, обученной на несмешанных данных, может прогнозировать типы клеток в смеси клеток с высокой точностью.
Особый интерес представляет использование нейронных сетей с архитектурой автоэнкодеров, которые позволяют избавляться от batch-эффекта, связанного с использованием разных платформ для секвенирования, процедурами получения и подготовки образца, а также алгоритмами обработки данных [4].
Результаты анализа данных scRNA-seq также могут быть применены в моделировании клеточного состава тканей, органов и систем органов. Так, например, используя уникальные данные при исследовании тканей на уровне одиночных клеток, с помощью платформы BioUML [5] были разработаны математические модели клеток поперечно-полосатой мышечной ткани и сердечно-сосудистой системы. Работа выполнена при поддержке Российского научного фонда (грант 19-75-30007).
Литература:
1. Blondel V.D. et al. Journal of statistical mechanics: theory and experiment. - 2008. - Т. 2008. - № . 10. - С. P10008.
2. Tian T. et al. Nature Machine Intelligence. - 2019. - Т. 1. - № . 4. - С. 191-198.
3. Wang L. et al. Nature Machine Intelligence. - 2020. - Т. 2. -№ . 11. - С. 693-703.
4. Russkikh N. et al. Bioinformatics. - 2020. - Т. 36. - № . 20. -С. 5076-5085.
5. Kolpakov F. et al. Nucleic Acids Research. - 2022.
ОЦЕНКА АУТОПЛАЗМЫ, ОБОГАЩЕННОЙ ТРОМБОЦИТАРНЫМИ ФАКТОРАМИ РОСТА, ЭКСТРАКОРПОРАЛЬНОЙ УДАРНО-ВОЛНОВОЙ ТЕРАПИИ В КОРРЕКЦИИ БОЛЕЗНИ ПЕЙРОНИ
С.А. Артеменко1, М.В. Епифанова1, А.А. Костин1, Е.В. Гамеева1, Б.Р. Гвасалия2, А.А. Епифанов3
1 Российский университет дружбы народов (РУДН), Москва, Россия
2 ФГБОУ ВО МГУ пищевых производств, Москва, Россия
3 ФГБОУ ВО МГМСУ им. А.И. Евдокимова Минздрава России, Москва, Россия
e-mail: [email protected]
Ключевые слова: аутоплазма, обогащенная тромбоцитар-ными факторами роста (АОТ), экстракорпоральная ударно-волновая терапия (ЭУВТ), болезнь Пейрони (БП).
Гены & Клетки XVII, №3, 2022
