由康塞普西翁大学计算机科学系的 Mabel Vidal 博士领导的研究与 MELISA 研究所和其他学术机构的研究人员合作，在不同类型癌症的浸润性 T 细胞亚群(CD4 -T、CD8-T 细胞和 Treg)在分析来自公共存储库的数据后。该研究发表在国际分子科学杂志上。

免疫系统由不同的细胞组成，它们共同保护身体免受感染或肿瘤细胞的生长。T淋巴细胞是鉴定致病抗原或肿瘤转化的主要参与者。这些可分为三个主要亚群：破坏病原体的细胞毒性 CD8+ T 细胞、参与不同效应谱系分化的辅助 CD4+ T 细胞和调节或调节免疫反应的 Treg。

虽然已知这些 T 细胞亚群会浸润不同类型的癌症，但与来自健康组织的常驻 T 细胞相比，它们是否表现出相似的 mRNA 基因表达谱(称为转录组)尚不清楚。出于这个原因，本研究分析了从不同类型癌症中获得的 5 个浸润性 CD4-T、CD8-T 和 Tregs 肿瘤的单细胞转录组，试图确定恶性环境中每个子集的特定通路。

首先，在公共存储库(Gene Expression Omnibus)中发现了最常见癌症(结直肠癌、乳腺癌、肺癌、头颈癌和黑色素瘤)的转录组数据，对不同的细胞类型进行了分类，只有那些对应于 T 细胞的 mRNA 数据被过滤了。然后，研究人员确定了在不同类型的癌症中常见且在对照条件下未表达的生物学途径和功能。

对于 Mabel Vidal 博士来说，人工智能 (AI) 的使用是分析大量数据并识别和消除其中错误的重要工具：“使用无监督的方法对不同类型的细胞进行分类是一个巨大的挑战，因为即使你事先知道每个 T 细胞的身份，作为一名科学家，你也必须生成一种分类算法，该算法能够针对大量数据自动执行这项任务，”她说。她还补充说，在获取公共数据时，信息来自不同的实验、仪器和研究目标，因此标准化数据也是一个相关且重要的挑战。

研究的第二部分包括对分类算法进行实验验证，在 MELISA 研究所的实验室进行蛋白质组学，并使用之前从康塞普西翁大学 Estefania Nova-Lamperti 博士实验室获得的转录组学数据。

关于验证阶段，Nova-Lamperti 解释说：“我们已经有来自不同类型癌症患者的样本，我们部分了解了他们之间的共同信号通路。在这项研究中，我们发现介导 TH2 反应的细胞因子信号传导是增加。”

MELISA 研究所首席实验室官 Mauricio Hernandez 解释说：“为了验证从不同 T 细胞群转录组的生物信息学分析中获得的结果，我们使用我们的质谱仪鉴定了 CD4 T 细胞的蛋白质谱或蛋白质组。总的来说，我们从已识别的通路的角度获得了非常好的相关性。”

Vidal 博士观察到，这项研究是在机器学习环境中进行的，因此接下来将在深度学习环境中对其进行建模，并生成对单细胞分析更准确的新模型：“我们的想法是整合更多数据并识别常见模式，也许更具体地说。因此，这个想法是沿着人工智能的路线继续前进。

最后，MELISA 研究所高级研究员兼主席 Elard Koch 教授表示，他们对 Vidal 博士领导的这项研究中的合作感到高兴：“合作和支持我们的蛋白质组学研究能力对我们的年轻科学家和我们机构的一个主要目标，”科赫说。