一种新的计算方法，称为整合和参考信息组织分割（IRIS），由密歇根大学和布朗大学的研究人员创建。这种方法使得生物医学研究人员能够更准确地分析复杂的组织数据，并可能改变我们对疾病和治疗方法的现有认识。
IRIS利用机器学习和人工智能为处理组织数据的研究人员提供更精确的信息。
该研究集中于组织发展、疾病病理学和肿瘤组织。研究结果详细刊登在《自然方法》期刊上。IRIS利用空间分辨转录组学的数据，并使用单细胞RNA测序数据分析多个组织层次，以卓越的准确性和计算速度识别不同区域。
与提供来自组织样本的平均数据的传统方法相比，SRT提供了更详细的视图，能够在单一组织切片内识别成千上万的位点。然而，挑战一直在于如何准确高效地分析这庞大的数据量。“我们的主要目标一直是分析这一广泛而复杂的数据集。”密歇根大学公共卫生学院生物统计学教授、研究的高级作者邹翔解释说。
IRIS作为一个有价值的工具，用于解释大型和复杂的数据集，因为它的算法可以在数据中分类并识别组织内的不同功能域，例如肿瘤区域。这使得对细胞相互作用和疾病进展机制的深入理解成为可能。
“与现有方法不同，IRIS直接表征了组织的细胞景观，并识别出生物学上可解释的空间域，进而促进理解潜在生物学的过程。”邹表示。“理解组织功能背后的细胞机制，”布朗大学生物统计学助理教授、帮助开发IRIS的密歇根大学博士毕业生马盈说。
“我们预计，IRIS将在广泛的生物系统中作为一个强大的工具，用于大规模多样本空间转录组学数据分析。”
邹和马将IRIS应用于六个SRT数据集，并将其性能与其他常用的空间域方法进行了比较。最终，随着SRT技术在受欢迎程度和使用范围上的持续增长，研究人员希望看到像IRIS这样的技术帮助潜在开发临床干预或药物靶点，从而改善个性化治疗计划和患者健康结果。邹表示，IRIS的计算方法为生物学家提供了一种新的方式来探索复杂的组织结构，有助于理解组织在发展和疾病进程中的结构变化。通过分析组织结构及其在疾病中的变化，IRIS有潜力揭示理解和治疗各种疾病的重要见解。
