11/08/2026
Mi lenne, ha egy daganat legveszélyesebb sejtjeit már jóval azelőtt felismernénk, hogy áttétet képeznek vagy ellenállnak a kezelésnek?
Intézetünkben a Peter Horvath vezette Lendület Mikroszkópos Képelemzés és Gépi Tanulás Kutatócsoport három egymásra épülő munkában mutatja meg, hogyan segíthet ebben a mesterséges intelligencia.
🔬 Deep Visual Proteomics - https://rdcu.be/fy13J
A mikroszkópos képet összekapcsolja azzal, hogyan működnek a sejtek fehérjeszinten.
🧬 Melanoma-esettanulmány - https://rdcu.be/fy14a
Megmutatja, hogyan lehet visszakövetni, mely sejtcsoportból indulhattak ki a későbbi áttétek.
🧫 Vesetumoros multiomikai vizsgálat - https://doi.org/10.1038/s44321-026-00484-8
Ugyanazokat a sejtcsoportokat már génaktivitás és fehérjeműködés szintjén együtt elemzi.
A nagy cél: ne csak azt lássuk, hogy „van egy tumor”, hanem azt is, mely sejtcsoportok tehetik igazán veszélyessé.
Ez hosszabb távon pontosabb diagnosztikát, jobb kockázatbecslést és személyre szabottabb kezelési döntéseket segíthet elő. Vagyis közelebb vihet ahhoz, hogy a daganatok legveszélyesebb részeit célzottabban értsük meg, és egyszer majd célzottabban kezeljük.
A munka nagy nemzetközi együttműködésekben, svéd és svájci partnerekkel zajlik, a szegedi kutatócsoport világszinten is egyedülálló automatizált egysejtes kutatási központjára építve.
Gratulálunk a kutatócsoportnak kiemleten Ede Migh -nek és András Kriston-nak, illetve együttműködő partnereiknek! 👏
További infók: https://www.brc.hu/hu/blog/2026/8/10/nem-minden-tumorsejt-egyforma-ai-segithet-megtalalni-az-attetek-forrasat
🇬🇧
What if we could identify the most dangerous cells in a tumor long before they form metastases or become resistant to treatment?
At our institute, the Momentum Microscopic Image Analysis and Machine Learning Research Group, led by Peter Horvath, demonstrates through three interconnected studies how artificial intelligence can help make this possible.
🔬 Deep Visual Proteomics - https://rdcu.be/fy13J
Links microscopic images to how cells function at the protein level.
🧬 Melanoma case study - https://www.nature.com/articles/s41698-026-01569-w
Shows how researchers can trace which cell population may have given rise to later metastases.
🧫 Multi-omics study in kidney cancer - https://doi.org/10.1038/s44321-026-00484-8
Analyzes the same cell populations by combining gene activity and protein-level function.
The broader goal is not only to see that “there is a tumor”, but to understand which cell populations may make it truly dangerous.
In the long term, this could support more precise diagnostics, better risk assessment, and more personalized treatment decisions, bringing us closer to understanding and, one day, targeting the most dangerous parts of tumors more effectively.
The work is carried out in major international collaborations with Swedish and Swiss partners and builds on the Szeged group’s globally unique automated single-cell research center.
Congratulations to the research group, especially Ede Migh and András Kriston, and to all collaborating partners! 👏
