Cell Maps pour l'IA : Révolutionner la Recherche Biomédicale avec des Données Prêtes pour l'IA

Le projet Cell Maps for Artificial Intelligence (CM4AI), un projet de génération de données de génomique fonctionnelle au sein du programme Bridge2AI du NIH, vise à révolutionner la recherche biomédicale en IA. Sa mission principale est de générer des ensembles de données éthiques et prêts pour l'IA sur l'architecture cellulaire, dérivés de données multimodales collectées à partir de lignées cellulaires humaines. Cette initiative cherche à fournir aux chercheurs les outils et les données nécessaires pour développer des applications d'IA transformatrices en biomédecine. CM4AI se concentre sur trois piliers principaux : Données, Personnes et Éthique, organisés en six modules couvrant l'acquisition de données, les outils, les normes, le développement des compétences, le travail d'équipe et les considérations éthiques. En créant des cartes hiérarchiques de l'architecture cellulaire lisibles par machine, CM4AI permet une compréhension plus approfondie des processus cellulaires et de leurs implications pour la santé humaine.

Les cartes cellulaires sont des graphes acycliques dirigés (DAG) hiérarchiques qui représentent l'organisation des protéines au sein d'une cellule à différentes échelles. Chaque nœud du graphe représente un assemblage de protéines à proximité, allant de grands compartiments cellulaires comme le noyau et les mitochondries à des complexes protéiques plus petits. Ces cartes sont construites à l'aide de données provenant de lignées cellulaires perturbées et non perturbées, y compris des lignées de cellules cancéreuses et des cellules souches pluripotentes induites (iPSC). Des techniques telles que la purification par affinité-spectrométrie de masse (AP-MS) et la coloration par immunofluorescence (IF) sont utilisées pour générer des réseaux d'interactions protéiques et révéler la localisation des protéines. En intégrant ces données, les cartes cellulaires fournissent une base pour l'interprétation des variants génétiques et des mutations, et elles peuvent être utilisées dans des outils d'IA pour l'apprentissage automatique visible afin de comprendre comment les assemblages protéiques affectent les prédictions de phénotype au niveau cellulaire.

CM4AI définit les données biomédicales prêtes pour l'IA comme des données FAIR entièrement caractérisées avec une provenance connue, traitées de manière éthique et fiable pour les applications d'IA. Cela inclut de s'assurer que les modèles et les logiciels utilisés sont disponibles, bien décrits et validés, et que les prédictions faites peuvent être expliquées et interprétées. Les principes clés comprennent : FAIRness (Trouvable, Accessible, Interopérable, Réutilisable), Provenance (disponibilité des graphes de calcul), Caractérisation (schémas complets et fiches de données), Explicabilité (caractérisation statistique et limitations), et Considérations éthiques (traitement éthique des sujets et analyse responsable des données). CM4AI utilise une version étendue du cadre FAIRSCAPE pour établir une base pour la préparation à l'IA, en se concentrant sur les métadonnées riches, les identifiants persistants et les procédures de validation.

CM4AI utilise des lignées cellulaires spécifiques, y compris la lignée de cancer du sein MDA-MB-468 et la lignée iPSC KOLF2.1J, toutes deux d'origine éthique. L'acquisition de données implique la cartographie des interactions protéine-protéine (PPI) à l'aide de AP-MS et SEC-MS, la cartographie de la protéomique spatiale à l'aide de l'immunofluorescence, et la cartographie des perturbations génétiques à l'aide d'écrans CRISPR à cellule unique. Pour la cartographie des PPI, les régulateurs de la chromatine sont marqués et leurs interactions sont analysées dans différentes conditions. La cartographie de la protéomique spatiale implique des protocoles automatisés de fixation et de perméabilisation pour cartographier l'organisation subcellulaire des protéines clés. La cartographie des perturbations génétiques utilise des écrans CRISPR pour perturber les régulateurs de la chromatine et analyser les données résultantes.

Le pipeline Multi-Scale Integrated Cell (MuSIC) est un outil clé pour intégrer les données et produire des cartes cellulaires à partir de plusieurs flux de données d'entrée. Le pipeline comprend des segments pour le téléchargement de données PPI et d'images, la génération d'embeddings à l'aide de modèles d'apprentissage profond, la co-embedding pour intégrer les informations PPI et d'images, la détection de communautés protéiques, la création de hiérarchies et l'évaluation des hiérarchies. Le pipeline s'interface avec l'infrastructure FAIRSCAPE pour valider les entrées et créer des paquets RO-Crate. La modélisation de structures intégratives est également explorée pour accroître la compréhension des communautés MuSIC.

CM4AI met l'accent sur l'empaquetage prêt pour l'IA grâce au développement de normes pour l'intégration des données et la gestion des métadonnées. Cela comprend la création de dictionnaires de données, de normes de formatage et d'une API FAIRSCAPE pour les métadonnées et la provenance. L'objectif est de garantir que les données sont facilement accessibles, interopérables et réutilisables pour les applications d'IA. Le projet se concentre également sur la mise en correspondance des éléments de données avec des vocabulaires d'ontologie publics et sur l'utilisation de descriptions de mini-dictionnaires de données JSON-Schema.

Les cartes cellulaires générées par CM4AI ont de nombreuses applications dans la recherche en IA. Elles peuvent être utilisées pour interpréter les variants génétiques et les mutations, comprendre comment les assemblages protéiques affectent les phénotypes au niveau cellulaire, et développer des outils d'IA pour l'apprentissage automatique visible. En fournissant une vue complète de l'architecture cellulaire, les cartes cellulaires permettent aux chercheurs de construire des modèles d'IA plus précis et efficaces pour les applications biomédicales. Ces modèles peuvent être utilisés pour prédire les issues des maladies, identifier des cibles médicamenteuses potentielles et développer des stratégies de traitement personnalisées.

Le projet CM4AI évolue continuellement, avec des orientations futures incluant l'amélioration des fonctionnalités de préparation à l'IA, l'élargissement de la gamme de lignées cellulaires et de conditions étudiées, et le développement d'outils d'intégration et d'analyse de données plus sophistiqués. Le projet vise à avoir un impact significatif sur la recherche biomédicale en fournissant les données et les outils nécessaires au développement d'applications d'IA transformatrices. En adhérant aux principes éthiques et en promouvant les pratiques de données FAIR, CM4AI garantit que ses ressources sont utilisées de manière responsable et au bénéfice de l'humanité.