Im Fokus der Forschenden steht die sogenannte Einzelzellgenomik – also die Frage, welche Gene zu welchem Zeitpunkt in welcher Zelle aktiv sind. Ziel ist es, damit den Ursprung von Krankheiten auf molekularer Ebene zu verstehen und medizinische Innovationen für eine gesündere Gesellschaft zu entwickeln. Die folgenden Lösungen sollen helfen, die hoch komplexen Daten besser darzustellen und zu analysieren.
Verschiedene Datensätze vergleichbar machen
Wollen Forschende überprüfen, ob ihre Ergebnisse aus Einzelzellanalysen allgemein gültig sind, müssen sie ihre Daten mit Datensätzen aus dem gleichen System vergleichen. Da die Werte einzelner Zellen aber nicht immer zur gleichen Zeit, am gleichen Ort oder von der gleichen Person erzeugt wurden, unterscheiden sich auch gleiche Zelltypen in ihrem molekularen Profil. Dieses als Batch-Effekt bezeichnete Problem macht es extrem schwer, Datensätzen zu kombinieren. In einer der aktuellen Publikationen stellen die Forschenden einen Leitfaden vor, wie sich dieses Dilemma am besten lösen lässt.
Schicksal von Zellen mit Open-Source-Software vorhersagen
In der medizinischen Forschung dreht sich vieles um die Frage: Wie entwickeln sich Zellen? Um dies zu beantworten, analysieren Forschende mit Hilfe der sogenannten Einzelzell-RNA-Sequenzierung die Genexpression von Zellen. Das Verfahren zeigt allerdings immer nur eine kurze Momentaufnahme der Genaktivität in der Zelle und keinen Langzeitverlauf. In der Wissenschaftszeitschrift "Nature Methods" beschreiben die Forschenden jetzt einen neuen Algorithmus, der die Genregulation und damit die Entwicklung von Zellen vorhersagen kann. So konnte die neue Open-Source Software in einem Beispiel zur Lungenregeneration neuartige Zellzwischenzustände voraussagen, deren Existenz anschließend experimentell bestätigt wurde.
Molekulare Daten räumlich sichtbar machen
In den letzten Jahren ist es immer besser möglich, genau zu analysieren, welche Proteine oder Gene zu bestimmten Zeitpunkten, in bestimmten Zellen und Geweben aktiviert oder produziert werden. Mit den sogenannten Omics-Daten können Forschende besser verstehen, wie Gewebe aufgebaut sind und wie Zellen miteinander kommunizieren. Um die großen Datenmengen auszuwerten, braucht es jedoch flexible computergestützte Systeme. Eine neue Software kann Forschende bei der Analyse unterstützen: ‘Squidpy’ kombiniert Omics-Daten mit Daten aus Bildanalysen und kann so die genaue räumliche Verteilung der molekularen Daten sichtbar machen.
Mehr zur Diabetesforschung bei diabinfo
Auf diabinfo.de haben Sie mit der Studienplattform die Möglichkeit, sich über derzeit laufende klinische Studien aus dem Bereich Diabetes zu informieren. Sie können zudem selbst an einer klinischen Studie teilnehmen und somit einen wichtigen Beitrag für die Entwicklung neuer Medikamente und Therapien rund um das Thema Diabetes leisten.
Quellen:
Helmholtz Munich: Meilenstein für künstliche Intelligenz in der medizinischen Spitzenforschung auf Einzelzellebene. Pressemitteilung vom 01.02.2022 (Letzter Abruf: 04.02.2022)
Lücken et al.: Benchmarking atlas-level data integration in single-cell genomics. In: Nat Methods, 2021, 19: 41-50
Lange et al.: CellRank for directed single-cell fate mapping. In: Nat Methods, 2022 (online)
Palla, G. et al.: Squidpy: a scalable framework for spatial omics analysis. In: Nat Methods, 2022 (online)
