Consideraciones prácticas para descubrimientos habilitados por aprendizaje automático en transcriptómica espacial

Área de la Ciencia:

• Biología molecular
• Biología computacional
• Genómica

Sus antecedentes:

• El desarrollo multicelular depende de patrones moleculares espaciales precisos.
• La imagen avanzada como la transcriptómica espacial (ST) ofrece nuevas perspectivas sobre estos patrones.
• Los grandes conjuntos de datos de ST requieren herramientas computacionales sofisticadas para el análisis.

Objetivo del estudio:

• Destacar cómo el aprendizaje automático (ML) puede abordar objetivos clave de análisis de transcriptómica espacial (ST).
• Proporcionar orientación sobre la selección de herramientas de ML apropiadas para datos de biología espacial.
• Ayudar a los investigadores a desentrañar señales biológicas complejas del ruido.

Principales métodos:

• Revisión de aplicaciones de aprendizaje automático (ML) en biología espacial.
• Discusión de conceptos de ciencia de datos relevantes para el análisis de datos de ST.
• Presentación de heurísticas para elegir herramientas de ML.

Principales resultados:

• Identificó objetivos específicos de análisis de ST abordables por ML.
• Esbozó cuatro conceptos principales de ciencia de datos para la selección de herramientas.
• Proporcionó heurísticas prácticas para los investigadores.

Conclusiones:

• El ML es crucial para avanzar en la investigación en biología espacial utilizando datos de ST.
• La comprensión de los principios de la ciencia de datos mejora la aplicación efectiva del ML en ST.
• Este trabajo facilita la selección informada de herramientas computacionales para el descubrimiento biológico.