Исследователи из Школы компьютерных наук Университета Карнеги-Меллона разработали метод, который использует искусственный интеллект для улучшения изучения клеток и может помочь ученым лучше понять и, в конечном итоге, лечить болезни.
Изображения образцов органов или тканей содержат миллионы клеток . И хотя анализ этих клеток in situ является важной частью биологических исследований, такие изображения делают практически невозможным идентифицировать отдельные клетки , определить их функции и понять их организацию. Метод, называемый пространственной транскриптомикой, фокусирует внимание на этих клетках, сочетая визуализацию с возможностью количественного определения уровня генов в каждой клетке, что дает исследователям возможность подробно изучить несколько ключевых биологических механизмов, начиная от того, как иммунные клетки борются с раком, и заканчивая клеточным воздействием . наркотиков и старения.
Многим современным платформам пространственной транскриптомики по-прежнему не хватает разрешения, необходимого для более тщательного и детального анализа. Эти технологии часто группируют ячейки в кластеры, которые варьируются от нескольких до 50 ячеек для каждого измерения, разрешение, которое может быть достаточным для хорошо представленных больших ячеек, но проблематично для маленьких ячеек или ячеек, которые плохо представлены. Эти редкие клетки могут быть наиболее важными для изучаемого заболевания или состояния.
В новой статье, опубликованной в журнале Nature Methods, исследователи отдела вычислительной биологии Хао Чен, Дуншуньи Ли и Зив Бар-Джозеф представили метод, который использует искусственный интеллект для расширения возможностей новейших технологий пространственной транскриптомики.
Исследование CMU сосредоточено на более современных технологиях, которые производят изображения в гораздо более близком масштабе, что позволяет использовать субклеточное разрешение (или несколько измерений на ячейку). Хотя эти методы решают проблему разрешения, они создают новые проблемы, потому что полученные изображения настолько крупным планом, что вместо того, чтобы захватывать от 15 до 50 клеток на изображение, они захватывают только несколько генов. Это обращение предыдущей проблемы создает трудности при идентификации отдельных компонентов и определении того, как сгруппировать эти измерения, чтобы узнать о конкретных ячейках. Это также затемняет общую картину.
Алгоритм, разработанный исследователями CBD, называемый субклеточной пространственной транскриптомной сегментацией клеток (SCS), использует искусственный интеллект и передовые глубокие нейронные сети для адаптивной идентификации клеток и их составных частей. SCS использует модели преобразования, подобные тем, которые используются в больших языковых моделях, таких как ChatGPT, для сбора информации из области, окружающей каждое измерение. Подобно тому, как ChatGPT использует весь контекст предложения или абзаца для завершения слов, метод SCS заполняет недостающую информацию для конкретного измерения, включая информацию из соседних ячеек.
Применительно к изображениям образцов мозга и печени с сотнями тысяч клеток SCS точно определил точное местоположение и тип каждой клетки. SCS также идентифицировал несколько клеток, пропущенных современными подходами к анализу, таких как редкие и мелкие клетки, которые могут играть решающую роль в определенных заболеваниях или процессах, включая старение. SCS также предоставил информацию о расположении молекул внутри клеток, что значительно улучшило разрешение, с которым исследователи могут изучать клеточную организацию.
«Возможность использовать самые последние достижения в области искусственного интеллекта для помощи в изучении человеческого тела открывает двери для нескольких последующих приложений пространственной транскриптомики для улучшения здоровья человека », — сказал Зив Бар-Джозеф, профессор FORE Systems в области машинного обучения и вычислительной техники. Биология в КМУ. Такие последующие приложения уже исследуются несколькими крупными консорциумами, включая программу Human BioMolecular Atlas Program (HuBMAP), которые используют пространственную транскриптомику для создания подробной трехмерной карты человеческого тела.
«Объединяя передовые биотехнологии и ИИ, SCS помогает раскрыть несколько открытых вопросов о клеточной организации, которые являются ключом к нашей способности понимать и, в конечном итоге, лечить болезни», — добавил Хао Чен, научный сотрудник Lane Postdoctoral Fellow в CBD.
