ბროუდის ინსტიტუტის (MIT და ჰარვარდი), მასაჩუსეტსის ტექნოლოგიური ინსტიტუტისა (MIT) და შვეიცარიის ფედერალური ტექნოლოგიების ინსტიტუტის ციურიხში (ETH Zurich) მკვლევრებმა, პოლ შერერის ინსტიტუტთან (PSI) თანამშრომლობით, წარმოადგინეს APOLLO – ხელოვნური ინტელექტის ინოვაციური ჩარჩო, რომელიც შექმნილია რთული, მრავალშრიანი უჯრედული მონაცემების ინტერპრეტაციისთვის. ეს მეთოდი მეცნიერებს საშუალებას აძლევს, განასხვაონ ბიოლოგიური სიგნალები, რომლებიც საერთოა სხვადასხვა საზომი ტექნიკისთვის, მათგან, რომლებიც უნიკალურია კონკრეტული ანალიზებისთვის, რაც აუმჯობესებს სიზუსტეს დაავადებათა კვლევასა და ექსპერიმენტულ დაგეგმვაში. თანამედროვე უჯრედულ ბიოლოგიაში, მულტიმოდალური სტრატეგიები აუცილებელია უჯრედული ქცევის მრავალფეროვანი ასპექტების აღსაბეჭდად. ისეთი ტექნიკები, როგორიცაა ტრანსკრიპტომიკა (გენის ექსპრესიისთვის), ქრომატინის ხელმისაწვდომობის ანალიზები, ცილის რაოდენობრივი განსაზღვრა და უჯრედის მორფოლოგიის გამოსახულება, თითოეული ავლენს განსხვავებულ განზომილებებს. თუმცა, ამ მონაცემთა ნაკადების ინტეგრაცია რთული იყო, რადგან ტრადიციული მანქანური სწავლების მოდელები ხშირად აერთიანებენ მათ ერთ ლატენტურ წარმოდგენაში, რითაც კარგავენ სიგნალის წარმოშობის კვალს. APOLLO ამ პრობლემას აგვარებს მონაცემთა სტრუქტურირებით საერთო და მოდალობა-სპეციფიკურ ლატენტურ სივრცეებად, ვენის დიაგრამის მსგავსად. გადამფარავი ბიოლოგიური ინფორმაცია დაშიფრულია საერთო სივრცეში, ხოლო ექსკლუზიური მახასიათებლები იზოლირებულია ცალკეულ განყოფილებებში. ეს ინარჩუნებს მიკვლევადობას და საშუალებას იძლევა მარცვლოვანი ანალიზისთვის. თავის არსში, APOLLO იყენებს გადამუშავებულ მულტიმოდალურ ავტოენკოდერს ორსაფეხურიანი ოპტიმიზაციის პროცესით. პირველი ეტაპი წვრთნის დეკოდერებს ლატენტური სივრცეებიდან შეყვანის აღსადგენად, რითაც ამყარებს სტაბილურ მახასიათებელთა ექსტრაქციას თითოეული მოდალობისთვის. მეორე ეტაპი აზუსტებს ენკოდერებს გასწორებისთვის, რაც აცალკევებს საერთო და უნიკალურ სიგნალებს. ვარჯიშის შემდეგ, APOLLO აანალიზებს უცნობ მონაცემთა ნაკრებებს, ახდენს ინფორმაციის კლასიფიცირებას, როგორც კროს-მოდალურს ან მოდალობა-სპეციფიკურს. სინთეზურ მონაცემთა ნაკრებებზე ვალიდაციამ დაადასტურა APOLLO-ს სიზუსტე წინასწარ განსაზღვრული სიგნალების აღდგენაში. რეალურ სამყაროს გამოყენებებში, მან შესანიშნავი შედეგები აჩვენა დაწყვილებული ერთუჯრედიანი მონაცემებით. პრაქტიკულად, APOLLO ამოიცნობს ანალიზზე პასუხისმგებელ ბიომარკერებს, როგორიცაა დნმ-ის დაზიანების მარკერები კიბოს უჯრედებში, რაც წარმართავს ანალიზის შერჩევას დაავადების ან თერაპიის საპასუხო რეაქციების მონიტორინგისთვის. ის ასევე მხარს უჭერს გადაწყვეტილებებს პირდაპირ გაზომვებსა და კომპიუტერულ დასკვნებს შორის, რითაც ოპტიმიზაციას უკეთებს ხარჯებს მულტიმოდალურ პროფილში. ასეთი მოწინავე ჩარჩოების შემავსებელია სპეციალიზებული AI ინსტრუმენტები, რომლებიც ფოკუსირებულია ადრეულ გამოვლენაზე, მაგალითად, QuData-ს AI-ზე დაფუძნებული კომპიუტერული გამოვლენის სისტემა ძუძუს კიბოსთვის. ეს გადაწყვეტა იყენებს ღრმა სწავლებას მამოგრაფიული გამოსახულებების ავტომატური ანალიზისა და კლასიფიკაციისთვის BI-RADS სისტემის მიხედვით, საეჭვო დაზიანებების შემომფარგლავი ყუთებით მონიშვნით, რაც აუმჯობესებს დიაგნოსტიკურ სიზუსტეს, ამცირებს გაცდენილ დიაგნოზებსა და ცრუ დადებით შედეგებს, და მხარს უჭერს რადიოლოგებს ძუძუს კიბოს ადრეული და უფრო თანმიმდევრული გამოვლენის მიღწევაში. კიბოს მიღმა, APOLLO პერსპექტიულია ნეიროდეგენერაციული დაავადებებისთვის, როგორიცაა ალცჰაიმერის დაავადება, მეტაბოლური დარღვევები, როგორიცაა დიაბეტი, და სხვა მდგომარეობები, რომლებიც მოიცავს მრავალშრიან უჯრედულ რეგულაციას. კომპონენტებს შორის ურთიერთქმედების განმარტებით, ის ხელს უწყობს დაავადების მექანიზმების სისტემურ გააზრებას. მომავალი გაუმჯობესებები მიზნად ისახავს ინტერპრეტაციის გაზრდას, არადაწყვილებული მონაცემების გაფართოებას (მაგ. განაწილების-შესაბამისობის დანაკარგების საშუალებით) და ბიობანკების მასშტაბირებას პერსონალიზებული მედიცინისთვის.