KI und die schwierigen Probleme der Welt · Lebenswissenschaften · Nature (machine learning) · 2026-10-06
Präzise und aussagekräftige Fall-Kontroll-Analyse räumlicher molekularer Daten
Originaltitel: Accurate and well-powered case–control analysis of spatial molecular data
Bestehende Methoden für räumliche molekulare Daten beruhen oft auf restriktiven Annahmen, durch die wichtige Krankheitssignale übersehen werden können. VIMA, eine Deep-Learning-Methode, nutzt ein Ensemble aus Variational Autoencodern, um kleine Gewebeausschnitte zusammenzufassen und Mikronischen zu identifizieren, deren Häufigkeit mit dem Fall- oder Kontrollstatus korreliert. In Simulationen war sie gut kalibriert und leistungsstark, und bei der Anwendung auf Datensätze zu drei Krankheiten reproduzierte sie bekannte Biologie und identifizierte neue räumliche Merkmale von Krankheiten.