Forscher an der Technischen Universität München (TUM) und Helmholtz München haben einen neuartigen Ansatz entwickelt, der selbstüberwachtes Lernen zur Analyse von Einzelzellen verwendet und damit einen bedeutenden Fortschritt im Verständnis des Zellverhaltens bei Krankheiten wie Lungenkrebs und COVID-19 markiert.
Die Einzelzell-Technologie hat sich schnell entwickelt und ermöglicht eine detaillierte Untersuchung von Geweben auf der Ebene einzelner Zellen. Dieser Fortschritt hat zu einer überwältigenden Menge an Daten geführt, die maschinelles Lernen erforderlich machen, um diese komplexen Muster zu interpretieren und zu analysieren.
Fabian Theis und sein Team untersuchten, ob selbstüberwachtes Lernen, das mit unbeschrifteten Daten arbeitet, effektiv verborgene Muster innerhalb dieses umfangreichen Datensatzes aufdecken könnte. Ihre Forschung konzentrierte sich auf über 20 Millionen Zellen und zeigte, dass diese Methode in der Lage war, Zelltypen vorherzusagen und die Genexpression ohne vorheriges Training zu rekonstruieren.
Die Ergebnisse, veröffentlicht in Nature Machine Intelligence, zeigen, dass selbstüberwachtes Lernen besonders effektiv mit großen Einzelzell-Datensätzen ist und somit das Potenzial hat, virtuelle Zellen zu schaffen – Computer Modelle, die das Verhalten realer Zellen nachahmen. Diese Innovation könnte unser Verständnis von Krankheiten revolutionieren, indem sie zelluläre Veränderungen veranschaulicht und die Entwicklung von Präzisionsmedizin erleichtert.
Die Fähigkeit des selbstüberwachten Lernens, Erkenntnisse aus unbeschrifteten Daten zu gewinnen, positioniert es als ein entscheidendes Werkzeug im Bereich der Einzelzell-Analyse, das Forschern hilft, Krankheitsmuster zu identifizieren und deren Verlauf vorherzusagen, während es gleichzeitig den Weg für personalisierte Behandlungen ebnet.