Стволовые клетки и ИИ лучше вместе

Однажды в будущем, когда вам понадобится медицинское обслуживание, кто-нибудь осмотрит вас, диагностирует проблему, возьмет как образец некоторые здоровые клетки вашего тела, а затем использует их, чтобы вылечить вашу болезнь.

Терапия будет персонифицирована и особенно настроена на вас и ваше тело, ваши гены и микробы, которые живут в вашем кишечнике. Это мечта современной медицинской науки в области «регенеративной медицины». Однако существует много препятствий между этой мечтой и ее реализацией в реальной жизни. Одним из препятствий является сложность.

Проблемы реализации подобных методов

Клетки часто настолько сильно отличаются друг от друга, что ученым трудно предсказать, что клетки будут делать в любом данном терапевтическом сценарии. Существуют буквально миллионы параметров, когда речь идет о живых организмах. А это означает миллионы способов, которыми медикаментозная терапия может пойти не так. «Общеизвестно, что сложно охарактеризовать клеточные продукты», - говорит Карл Саймон, биолог из Национального института стандартов и технологий (NIST).

«Они нестабильны и не однородны, а методы испытаний для их характеристики имеют большие погрешности». Саймон и его коллеги хотят изменить это, сузив возможности и увеличив шансы, что врач будет знать, что эти клетки будут делать именно то, что ожидалось. Одним из ключей является качественное измерение. Ученые должны быть в состоянии измерить, что происходит в клетках, когда они внедряются в медицинские продукты, но как эффективно измерить то, что имеет миллионы параметров?

Решение главного вопроса об измерении характеристик клеток

Вопрос измерения клеток уже многие годы мучает исследователей и разработчиков изделий медицинского назначения, в том числе исследователей глазных болезней. Когда некоторые люди стареют, они начинают терять зрение в процессе, называемом возрастной дегенерацией желтого пятна (AMD). Поиск эффективной терапии на основе стволовых клеток может означать повышение качества жизни людей во всем мире.

Персонализированная, регенеративная медицина является очень перспективной, но пока она еще слабо развита. Чтобы разобраться с данной проблемой, команда Саймона работала с исследователем из Национального института глаз при Национальных институтах здоровья Капилом Бхарти, чтобы использовать новый вид микроскопии для исследования выращенных в лаборатории тканей глаза для лечения слепоты.

Однажды, когда Саймон и Николас Шауб, один из докторантов в команде Саймона, экспериментировали с компьютерами в лаборатории, Шаубу показалось, что бесплатная программа с искусственным интеллектом (ИИ) с открытым исходным кодом, которую он использовал, чтобы сузить хорошие инвестиции для проектов и расчета личных финансов может быть полезна для их исследования.

Они взяли данные, которые они собрали в своих экспериментах с Бхарти, которые обычно очень трудно расшифровать, и применили программу искусственного интеллекта, называемую глубокими нейронными сетями. Результаты вернулись с поразительной скоростью. Они обнаружили, что программа ИИ приняла только одно неверное решение об изменениях в ячейке из 36 предсказаний, которые ей было предложено сделать.

Программа AI, которую они использовали, была основана на известной модельной архитектуре GoogLe Net. Их программа научилась предсказывать функции ячеек в различных сценариях и настройках по аннотированным изображениям ячеек. Вскоре она могла быстро проанализировать изображения выращенных в лаборатории тканей глаза, чтобы классифицировать ткани как хорошие или плохие.

После обучения программа искусственного интеллекта может классифицировать ткани глаза более точно и быстрее, чем любой человек. Но что было самым новым в этом случае, так это то, что числа, подключаемые к программному обеспечению, были результатом одной из самых старых технологий в биологии: базового микроскопа, созданного для сбора так называемых изображений «светлого поля». Усилия этой команды объединили один из самых современных способов проведения исследований с одним из старейших.

Обратимся к математике

Микроскопия Брайтфилда насчитывает 400 лет, когда европейские ученые впервые обнаружили способ видеть клетки с помощью увеличительных линз, металлической трубки и источника света. В этом методе образец освещается снизу. Поскольку его более плотные части поглощают свет, они кажутся темными на ярком фоне. Это остается одним из наиболее распространенных инструментов для биологических исследований, используемых в настоящее время, и технологические достижения значительно улучшили масштаб и детали, которые можно увидеть через микроскоп.

Но у светлопольной микроскопии есть один большой ограничивающий фактор. Трудно сделать точные измерения с помощью микроскопа. Вы можете делать фотографии клеток на своем собственном микроскопе, но сравнение их с фотографиями, сделанными на других микроскопах в других лабораториях, остается субъективной деятельностью, отчасти потому, что микроскопы и данные, которые они дают, могут сильно различаться.

Объективы, зеркала, источники света и камеры в другой лаборатории могут сильно отличаться от вашей. До сих пор у лабораторий не было хорошего способа сообщать результаты друг другу и гарантировать, что эти результаты будут воспроизводимы и надежны в другой среде. Слишком много вещей измерялось слишком многими различными типами инструментов. Сочетание этих ограничивающих факторов и огромного количества параметров в исследовании клеток затруднило получение высокоточных данных, необходимых для создания надежного тканевого продукта для клинических испытаний на людях.

У Саймона и Шауба была теория для улучшения измерений в светлопольной микроскопии: возможно, все дело в математике. По словам Саймона, процесс довольно прост. Вы включаете микроскоп и измеряете фоновую интенсивность света, который проходит через объектив, фотографируя. Затем вы помещаете выращенную в лаборатории глазную ткань на световой путь и делаете еще одну фотографию.

Вы делите фотографию клетки на фоновую фотографию, чтобы выяснить отношения, и теперь вы знаете, сколько света поглощает ткань. Это значение позволяет вам сравнивать измерения вашей ячейки с чьими-либо измерениями. «Прелесть оптической томографии в том, что она может быть сделана с помощью существующих микроскопов, без необходимости в дополнительном оборудовании или расходах», - говорит Саймон.

«Это только влечет за собой относительно простую математику на захваченных изображениях, что делает данные сопоставимыми по различным приборам, лабораториям и людям». Саймон и его команда смогли продемонстрировать, что частота ошибок между данными лабораториями будет около 4% или 5%, Где за работу берется ИИ, и сводит эту вероятность почти к нулю. Команда Саймона уже сотрудничала с другой командой NIST, возглавляемой специалистом по компьютерам Питером Байчи, по вопросам обработки изображений и машинного обучения.

Команда Байчи разработала систему, известную как конвейер обработки веб-изображений (WIPP), для обработки изображений клеток размером в терабайт. WIPP может отслеживать изменения ячеек по размеру, времени и функциям ячеек. Но он может только обрабатывать изображения, а не оценивать их. Для проекта светлопольной микроскопии Байси и его команда использовали машинное обучение и новые методы на основе ИИ в WIPP, чтобы он мог обрабатывать больше входных данных и помогал их оценивать.

Использование AI для увеличения изображения

Сложность работы со стволовыми клетками при дегенерации желтого пятна была поразительной для Байчи. «Можно представить объем данных, сгенерированных за 155 дней - это терабайты данных для каждого отдельного пациента», - говорит он. «Анализировать терабайты изображений – слишком сложная задача». «Когда этот проект только приобретал очертания, практическое применение ИИ еще не было столь популярно», - говорит Байси.

Это был первый раз, когда он и его команда смогли провести некоторые фундаментальные исследования с использованием методов на основе ИИ и сделать их доступными в WIPP для ученых, занимающихся клетками. Разработка этого эффективного и действенного нового способа работы со стволовыми клетками, который команда называет количественной абсорбционной микроскопией с ярким полем (QBAM), потребовала много времени и терпения.

В течение пяти долгих лет исследовательской группе ученых и биологов в области информационных технологий приходилось встречаться и пытаться понять области друг друга. «Мы все говорим на разных технологических языках, и иногда было трудно понять друг друга», - говорит Саймон. «Было много двухчасовых групповых телефонных звонков, которые, казалось, ни к чему не привели».

Однако, в конце концов затраченное время окупилось, и стали появляться результаты, соответствующие тем показателям точности, которые Саймон и Шауб первоначально засвидетельствовали своим крошечным тестом на программном обеспечении с открытым исходным кодом. Результаты их сотрудничества с Национальным институтом глаз были опубликованы на прошлой неделе в журнале клинических исследований.

Для Саймона самой главной была ценность междисциплинарных федеральных исследований. Работа в NIST означает, что вы можете пойти в лабораторию экспертов из другой области и задавать им вопросы по мере необходимости. Часто исследовательские дисциплины изолированы друг от друга, что не всегда является наиболее эффективным способом развития науки. Также Саймон отметил ценность докторского участия. «Пост доки великолепны. Они приносят свежие идеи».