一种新的基于人工智能的方法揭示
细胞对药物治疗有何反应

特拉维夫大学的研究人员开发了一种创新的方法，可以帮助更好地了解细胞在不断变化的生物环境中的行为，比如在癌变肿瘤中发现的生物环境。

这个名为scNET的新系统将单细胞水平的基因表达信息与基因相互作用信息结合起来，从而能够识别重要的生物模式，例如对药物治疗的反应。

这篇发表在《自然方法》杂志上的科学文章解释了scNET如何改善医学研究并协助开发疾病治疗方法。该研究由博士生Ron Sheinin在医学院Asaf Madi教授和特拉维夫大学计算机科学与人工智能学院院长Roded Sharan教授的指导下领导。

今天，先进的测序技术允许在单细胞水平上测量基因表达，研究人员第一次可以研究生物样本中不同细胞群的基因表达谱，并发现它们对每种细胞类型的功能行为的影响。一个有趣的例子是了解癌症治疗的影响——不仅对癌细胞本身，而且对促癌细胞或抗癌细胞群，如肿瘤周围免疫系统的一些细胞，也有影响。

尽管具有惊人的分辨率，但这些测量的特点是噪音很大，这使得很难确定构成重要细胞功能的遗传程序的精确变化。这就是scNET发挥作用的地方。

Ron Sheinin：“scNET将单细胞测序数据与描述可能的基因相互作用的网络整合在一起，就像一个社交网络，提供了不同基因如何相互影响和相互作用的地图。scNET能够更准确地识别样品中现有的细胞群。因此，有可能研究不同条件下基因的共同行为，并揭示表征健康状态或对治疗反应的复杂机制。”

Asaf Madi教授：“在这项研究中，我们关注的是一群T细胞，这种免疫细胞以其对抗癌症肿瘤的能力而闻名。scNET揭示了治疗对这些T细胞的影响，以及它们如何在对抗肿瘤的细胞毒性活性中变得更加活跃，这在之前是不可能发现的，因为原始数据中存在很大的噪音。”

Roded Sharan教授：“这是人工智能工具如何帮助破译生物和医学数据的一个很好的例子，使我们能够获得新的和重要的见解。我们的想法是为生物医学研究人员提供计算工具，帮助他们了解人体细胞的功能，从而找到改善我们健康的新方法。”

总之，scNET展示了人工智能与生物医学研究的结合如何导致新的治疗方法的发展，揭示疾病的隐藏机制，并提出新的治疗方案。

scNET: learning context-specific gene and cell embeddings by integrating single-cell gene expression data with protein–protein interactions