机器学习揭示了我们体内细胞之间异质性的来源

由基础科学研究所(IBS-BIMAG)生物医学数学小组KimJaeKyoung教授领导的韩国科学家团队发现了我们体内细胞变异的秘密。这项研究的结果预计将产生深远的影响，例如改善化疗的疗效，或开发抗生素耐药细菌研究的新范式。

JoHyeontae博士和HongHyukpyo博士作为共同第一作者参与了这项研究，该研究发表在《Patterns》杂志上。论文的标题是“基于密度物理的神经网络揭示信号转导中细胞异质性的来源”。

我们体内的细胞有一个信号系统，可以对各种外部刺激(例如抗生素和渗透压变化)做出反应。当细胞与外部环境相互作用时，该信号系统在细胞的生存中发挥着至关重要的作用。然而，即使具有相同遗传信息的细胞也会对相同的外部刺激产生不同的反应，称为细胞异质性。

细胞异质性是医学界的一个重大研究兴趣，因为众所周知，它会阻碍化疗药物(例如抗癌药物)完全根除癌细胞。这种异质性的来源及其与信号系统的关系仍然是一个挑战，因为利用当前的实验技术不可能完全观察到信号系统的中间过程。

为了揭示这种异质性的根源，Kim教授的研究团队开发了一种使用人工神经网络结构的机器学习方法，称为密度物理学神经网络(Density-PINN)。Density-PINN使用细胞对外部刺激响应的可观察时间序列数据来反向估计有关信号系统的信息。

通过将Density-PINNs应用于细菌细胞(大肠杆菌)抗生素反应的实际实验数据，研究小组发现信号系统的并行结构可以减少细胞间的异质性。

Kim教授认为，这种数学建模和机器学习研究将有助于增强对细胞异质性的理解，这对于癌症治疗至关重要。他表示希望这一成就能够促进改进癌症治疗策略的发展。