由康塞普西翁大學計算機科學系的 Mabel Vidal 博士領導的研究與 MELISA 研究所和其他學術機構的研究人員合作，在不同類型癌癥的浸潤性 T 細胞亞群(CD4 -T、CD8-T 細胞和 Treg)在分析來自公共存儲庫的數據后。該研究發表在國際分子科學雜志上。

免疫系統由不同的細胞組成，它們共同保護身體免受感染或腫瘤細胞的生長。T淋巴細胞是鑒定致病抗原或腫瘤轉化的主要參與者。這些可分為三個主要亞群：破壞病原體的細胞毒性 CD8+ T 細胞、參與不同效應譜系分化的輔助 CD4+ T 細胞和調節或調節免疫反應的 Treg。

雖然已知這些 T 細胞亞群會浸潤不同類型的癌癥，但與來自健康組織的常駐 T 細胞相比，它們是否表現出相似的 mRNA 基因表達譜(稱為轉錄組)尚不清楚。出于這個原因，本研究分析了從不同類型癌癥中獲得的 5 個浸潤性 CD4-T、CD8-T 和 Tregs 腫瘤的單細胞轉錄組，試圖確定惡性環境中每個子集的特定通路。

首先，在公共存儲庫(Gene Expression Omnibus)中發現了最常見癌癥(結直腸癌、乳腺癌、肺癌、頭頸癌和黑色素瘤)的轉錄組數據，對不同的細胞類型進行了分類，只有那些對應于 T 細胞的 mRNA 數據被過濾了。然后，研究人員確定了在不同類型的癌癥中常見且在對照條件下未表達的生物學途徑和功能。

對于 Mabel Vidal 博士來說，人工智能 (AI) 的使用是分析大量數據并識別和消除其中錯誤的重要工具：“使用無監督的方法對不同類型的細胞進行分類是一個巨大的挑戰，因為即使你事先知道每個 T 細胞的身份，作為一名科學家，你也必須生成一種分類算法，該算法能夠針對大量數據自動執行這項任務，”她說。她還補充說，在獲取公共數據時，信息來自不同的實驗、儀器和研究目標，因此標準化數據也是一個相關且重要的挑戰。

研究的第二部分包括對分類算法進行實驗驗證，在 MELISA 研究所的實驗室進行蛋白質組學，并使用之前從康塞普西翁大學 Estefania Nova-Lamperti 博士實驗室獲得的轉錄組學數據。

關于驗證階段，Nova-Lamperti 解釋說：“我們已經有來自不同類型癌癥患者的樣本，我們部分了解了他們之間的共同信號通路。在這項研究中，我們發現介導 TH2 反應的細胞因子信號傳導是增加。”

MELISA 研究所首席實驗室官 Mauricio Hernandez 解釋說：“為了驗證從不同 T 細胞群轉錄組的生物信息學分析中獲得的結果，我們使用我們的質譜儀鑒定了 CD4 T 細胞的蛋白質譜或蛋白質組。總的來說，我們從已識別的通路的角度獲得了非常好的相關性。”

Vidal 博士觀察到，這項研究是在機器學習環境中進行的，因此接下來將在深度學習環境中對其進行建模，并生成對單細胞分析更準確的新模型：“我們的想法是整合更多數據并識別常見模式，也許更具體地說。因此，這個想法是沿著人工智能的路線繼續前進。

最后，MELISA 研究所高級研究員兼主席 Elard Koch 教授表示，他們對 Vidal 博士領導的這項研究中的合作感到高興：“合作和支持我們的蛋白質組學研究能力對我們的年輕科學家和我們機構的一個主要目標，”科赫說。