AI工具將幫助我們充分利用空間生物學

在空間生物學中，我們可以預期將AI應用於基因或蛋白質活性的逐細胞圖譜將為重大發現鋪平道路。

最近出現了許多關於AI有關於細胞和組織空間生物學的知識，組織是細胞的異質混合物。這在疾病中尤其重要。細胞也是生命的基本單位，它們由鄰近它們的那些細胞形成。毫不奇怪，該研究領域試圖調查細胞和組織的異質性。過去十年見證了單細胞測序RNA的廣泛採用。這種方法要求我們分解細胞，從而對細胞群體進行核算和表徵，但同時失去它們的空間背景，例如它們與其他細胞的鄰近性或適合傳統方法（例如組織病理學）的位置。

輸入空間基因組學

這就是為什麼我們歡迎空間轉錄組學，並致力於將RNA轉錄本定位到它們在組織中的位置。畢竟，了解疾病病理學不僅需要我們了解基本的基因組學和轉錄組學，還需要了解細胞及其在組織中的相對位置之間的關係。研究癌症，免疫學和神經病學等新途徑。發生的變化是解決空間異質性的新工具的出現。SeqFISH和MerFISH是在模型系統中定位基因表達的新穎方法。諸如10x Genomics和NanoString之類的多家公司現在正在使對空間轉錄組學的訪問民主化，引入新技術和測定方法。他們正在開展疾病病理學的研究。

人工智慧與深度學習：增加我們的詞彙量

新的實驗方法通常始於歷史分析方法。讓我們考慮分析的第一步：找到具有相似基因表達的斑點/細胞簇，然後通過縮小尺寸進行可視化。在單細胞RNA-seq中，tSNE投影和顏色編碼聚類可能是標記圖，就像曼哈頓圖對GWAS一樣。

我們尚未利用潛在的組織病理學圖像（疾病診斷和研究的基礎）。我們沒有利用兩個點相鄰的事實。當我們這樣做時會發生什麼？兩個群集之間的邊緣會發生什麼？當細胞類型散布或滲透時，例如在免疫反應中，會發生什麼？有沒有我們沒有考慮的具有潛在影響的圖像分析方法？

諸如卷積神經網絡（CNN）和生成對抗網絡（GANs）之類的概念在分類特徵和基礎隱藏層方面發揮了重要作用。我們可以在空間轉錄組學上超越tSNE，而問題應該在於查看潛在空間（驅動分類區域的數據表示和隱藏生物學的發現）。這些術語和概念是人工智慧的基礎，必須在空間轉錄組學分析中處於前沿和中心位置。

人工智慧和深度學習術語的使用無處不在。擺脫炒作，從自動駕駛汽車到成功的圖像識別（ImageNet Challenge），一些最傑出的成就都充分利用了空間和成像數據。數據很重要，然後有人問：我們是否應該將一個空間轉錄組學部分視為一個實驗數據點，或者是4,000張圖像和4,000個轉錄組？

在空間生物學中，我們可以預期將AI應用於基因或蛋白質活性的逐細胞圖譜將為重大發現鋪平道路，而這些發現可能是我們自己無法實現的。整合空間解析數據可能是我們對生物學的理解的下一個飛躍。我們可能甚至不知道要問的問題，可以通過結合空間轉錄組學和空間蛋白質組學來回答。但是要實現這一目標，我們需要團結一致，並作為一個社區來建立培訓數據集和其他資源，這對於為AI提供最佳的成功機會至關重要。

我們尚未真正充分利用已生成的空間生物學數據。如果我們不解決這一限制，那麼即使我們產生越來越多的此類信息，我們也會繼續錯過。