研究人员开发出一种工具，可以对细胞之间的因果关系以及这些关系随时间如何变化提供新的见解。
这项研究今天以评论预印本的形式发表在eLife上，编辑们称其是一项基础研究，展示了一种新的数据处理流程，可用于更好地了解细胞间相互作用。该流程的实用性已通过肿瘤芯片生态系统数据得到令人信服的说明，但它也可以应用于其他科学领域的因果发现，这意味着这项研究可能具有广泛的应用范围。
在不同实验条件下获取活细胞图像的能力使我们能够提取有关细胞形状和状态以及它们与其他细胞相互作用的宝贵信息。但这些丰富的信息仍未得到充分利用，因为到目前为止，我们仍然缺乏能够精确定位所见特征之间因果关系的方法和工具。这种精确定位因果关系的能力被称为因果发现。
这种名为 CausalXtract 的新工具改编自以前的发现方法，该方法可以从生物系统中学习因果网络，但不需要有关事件发生时间的信息。
“我们之前的因果发现工具可以学习广泛生物或生物医学数据的同期因果网络，从单细胞基因表达数据到患者的医疗记录，”共同主要作者、法国索邦大学 PSL 居里研究所的研究工程师 Franck Simon 解释道。
“然而，活细胞延时成像数据包含有关细胞动态的信息，这可以促进发现新的因果过程，基于未来事件不能导致过去事件的假设。”