在科学驱动的环境中,能快速识别和学习数据中的信号和模式,是建立知识和影响未来科学发展方向的关键。为了实现这一点,我们需要以一种可用的模式来收集整合多样的大数据集。
在过去,对综合基因表达、蛋白质和单个器官的代谢数据进行评估,受限于我们有限的数据分析计算能力。这是首次AI能够处理大数据,分析所有端点以及它们的空间关系。
我们正在使用质谱成像技术(MSI),在空间上对分子进行生物样本和组织切片的细胞定位,比如用于病理评估的切片。
这些全面的空间数据信息,可以很好地将组织微环境、药物定位、疗效和安全性联系起来。然而,现有的数据挖掘方法对计算机系统有很高的要求,我们只能分析小型的、单个的数据集。
为了解决这个问题,我们开发了新的计算算法,可以精确有效地分割大量的MSI数据,以提高我们对多个端点的学习能力,正如我们最近在《分析化学》上提到的那样。
利用基于图论的MSI数据聚类算法研究小鼠肿瘤模型中药物的分布和代谢情况
这增强了我们精确量化组织和器官特定区域的分子变化的能力,并为逐渐变得复杂的空间关系提供数据。药物安全和新陈代谢领域的研究人员与计算机和病理科学领域的外部专家密切合作,是整个研究的重要部分。
展望未来,我们计划将深度学习算法与图像分析相结合,加速对慢性肾脏疾病动物模型的评估,为下行流多光谱图像分析提供更可靠的数据。这将增加数据的定量分析速度、可信度和再现性,并通过综合的多模态图像挖掘来检测生物关系及其结果。
在2017年,我们的科学家与英国癌症研究(CRUK)的团队合作,提出了绘制肿瘤的断层扫描图,通过Google地图式的方法来研究癌症的相关信息。这有可能使病理学——最传统的安全学科之一——进入21世纪。