Key points are not available for this paper at this time.
L'imagerie protéique hautement multiplexée émerge comme une technique puissante pour analyser la distribution des protéines au sein des cellules et des tissus dans leur contexte naturel. Cependant, les méthodes d'annotation cellulaire existantes utilisant des données de protéomique spatiale à haute multiplexion sont gourmandes en ressources et nécessitent une intervention itérative d'experts, ce qui limite leur évolutivité et leur praticité pour des ensembles de données étendus. Nous introduisons MAPS (Machine learning for Analysis of Proteomics in Spatial biology), une approche d'apprentissage machine facilitant l'identification rapide et précise des types cellulaires avec une précision de niveau humain à partir des données de protéomique spatiale. Validé sur plusieurs ensembles de données MIBI et CODEX disponibles en interne et publiquement, MAPS surpasse les techniques d'annotation actuelles en termes de vitesse et de précision, atteignant une précision de niveau pathologiste même pour des types cellulaires typiquement difficiles, y compris les cellules tumorales d'origine immunitaire. En démocratisant l'annotation par apprentissage machine rapidement déployable et évolutive, MAPS possède un potentiel significatif pour accélérer les avancées en biologie tissulaire et la compréhension des maladies.
Shaban et al. (Mar,) ont étudié cette question.