Bien que les techniques unicellulaires aient aidé les chercheurs à comprendre les maladies en évaluant les cellules au niveau individuel, il leur manque le contexte spatial du tissu entourant ces cellules. Avec l'introduction de la transcriptomique spatiale, les chercheurs peuvent tout utiliser, des données relationnelles aux données d'imagerie, pour mieux comprendre l'expression des gènes et la dynamique cellulaire.
Les données relationnelles fournissent le contexte dans lequel les cellules sont situées les unes par rapport aux autres et permettent de superposer les données d'imagerie avec les données moléculaires. La localisation des cellules et la façon d'interagir avec leur environnement est essentielle pour la recherche, notamment lorsqu'il s'agit de types de cellules rares. Cependant, les omiques spatiales fournissent plus de contexte que les interactions cellulaires locales, montrant comment une maladie progresse dans l'architecture d'un tissu. En conséquence, les scientifiques sont en mesure d'obtenir un contexte spatial inconnu jusqu'alors concernant les types de cellules rares et la progression des maladies.
Avec la plateforme de calcul accéléré et d'IA de NVIDIA pour la transcriptomique spatiale, les chercheurs et les développeurs peuvent :
- Utiliser de nouvelles méthodes d'analyse en accélérant les goulets d'étranglements et en augmentant la précision.
- Utiliser des GPU NVIDIA dans l'analyse spatiale pour réduire le temps d'analyse lors du traitement de grandes quantités de données spatiales.
- Utiliser l'IA générative pour réaliser une segmentation cellulaire de haute précision avec VISTA-2D, un modèle de base de NVIDIA.