L'IA face aux grands problèmes du monde · Sciences du vivant · Nature (machine learning) · 2026-10-06
Analyse cas-témoins précise et à forte puissance statistique de données moléculaires spatiales
Titre original: Accurate and well-powered case–control analysis of spatial molecular data
Les méthodes existantes pour les données moléculaires spatiales reposent souvent sur des hypothèses restrictives qui peuvent passer à côté de signaux importants de maladie. VIMA, une méthode d'apprentissage profond, utilise un ensemble d'autoencodeurs variationnels pour résumer de petites zones de tissu et identifier des microniches dont l'abondance est corrélée au statut cas ou témoin. Dans les simulations, elle était bien calibrée et puissante, et appliquée à des jeux de données couvrant trois maladies, elle a retrouvé des mécanismes biologiques connus et identifié de nouvelles caractéristiques spatiales de la maladie.