而对数以百万计的细胞进行的大规模数据分析使科学家们对免疫系统对这种特定病毒的反应有了广泛的了解。另外，他们还发现，一些免疫细胞反应--包括通常具有保护作用的细胞类型--偶尔也会引发致命的炎症和病人的死亡。
其他允许检查到单细胞水平的数据分析工具已经为科学家们提供了一些关于严重COVID病例的罪魁祸首的线索。但这种集中的观点往往缺乏可能带来更好或更差结果的特定细胞组的背景。
多尺度PHATE工具则是耶鲁大学开发的机器学习工具，它允许研究人员在几分钟内通过所有分辨率的数据。该技术建立在一个名为PHATE的算法之上，该算法由遗传学和计算机科学副教授Smita Krishnaswamy的实验室创建，它克服了现有数据可视化工具的许多缺点。
“机器学习算法通常专注于数据的单一分辨率视图，其忽略了可以在其他更集中的视图中发现的信息，”耶鲁大学医学院的博士生Manik Kuchroo说道，“出于这个原因，我们创建了多尺度PHATE，它允许用户放大并关注其数据的特定子集从而以进行更详细的分析。”他帮助开发了这项技术，同时也是该论文的共同第一作者。
在Krishnaswamy实验室工作的Kuchroo用这个新工具分析了从耶鲁大学纽黑文医院收治的163名COVID-19严重病例患者身上提取的5500万个血细胞。从广义上看，他们发现高水平的T细胞似乎对不良后果有保护作用，而高水平的两种白血球类型即粒细胞和单核细胞则跟较高的死亡率有关。
然而当研究人员深入到更细微的层面时，他们发现TH17（一种辅助性T细胞）跟免疫系统细胞IL-17和IFNG聚集在一起时也与较高的死亡率有关。
研究人员报告称，通过测量这些细胞在血液中的数量，他们可以预测病人是生是死，准确率可以达到83%。
Krishnaswamy表示：“我们能对死亡的风险因素进行排序以显示哪些是最危险的。”她指出，从理论上讲，这种新数据分析工具可以用来对一系列疾病的风险评估进行微调。