Aplicación y caracterización del marco de aprendizaje de instancias múltiples en citometría de flujo

Área de la Ciencia:

• Inmunología
• Biología Computacional
• Ciencia de Datos Biomédicos

Sus antecedentes:

• La citometría de flujo permite el perfilado de células individuales, pero depende del gating manual, que requiere mucha mano de obra y es propenso a sesgos.
• El gating manual implica la selección secuencial de biomarcadores para aislar poblaciones de células, lo que limita el rendimiento y la reproducibilidad.

Objetivo del estudio:

• Introducir y evaluar marcos de aprendizaje de instancias múltiples para el análisis automatizado de datos de citometría de flujo.
• Proporcionar una alternativa interpretable y basada en datos al gating manual para identificar fenotipos celulares.

Principales métodos:

• Aplicación de marcos de aprendizaje de instancias múltiples a conjuntos de datos de citometría de flujo.
• Examen del impacto de la arquitectura de la red en el rendimiento predictivo y la detección de células raras.
• Utilización de mecanismos de atención para la identificación directa de subconjuntos de células asociados con fenotipos.

Principales resultados:

• Los modelos de aprendizaje de instancias múltiples demostraron un fuerte rendimiento en diversas aplicaciones biomédicas.
• Aplicación exitosa en la subtipificación de cáncer, estratificación de VIH, predicción de MRD de LMA y evaluación de la gravedad de COVID-19.
• Los mecanismos de atención permitieron la identificación interpretable de subconjuntos de células clínicamente significativos.

Conclusiones:

• El aprendizaje de instancias múltiples presenta un marco escalable e interpretable para el análisis automatizado de citometría de flujo.
• Este enfoque tiene un amplio potencial en medicina de precisión e inmunología traslacional.
• El análisis automatizado supera las limitaciones del gating manual, mejorando la eficiencia y reduciendo el sesgo.