AIが人間の100倍速く死細胞を検出、アルツハイマー病の治療に役立つ可能性

細胞がいつ、なぜ死ぬのかを理解することは、ヒトの発生、疾患、老化を研究するうえで基本的に重要です。ルー・ゲehrig病、アルツハイマー病、パーキンソン病などの神経変性疾患では、死んだニューロンや死にかけているニューロンを特定することが、新しい治療法の開発と検証にとって決定的に重要です。 

しかし、死細胞を見分けることは難しい作業です。これまで科学者たちは、顕微鏡の下でどの細胞が生きていて、どの細胞が死んでいるかを手作業で印を付けてきました。死細胞には特徴的な縮んだ外見があり、何を探せばよいかを知っていれば比較的容易に見分けられます。 

研究者たちは、時給で働く学生インターンの大規模なチームを雇い、数千枚の画像を見て、サンプル内の各ニューロンがいつ死んだかを数えさせました。しかし、この作業を手作業で行うのは、時間がかかり、費用もかさみ、ときにミスも起こりやすいプロセスです。

状況をさらに複雑にしているのは、科学者たちが最近、時間の経過とともに変化する細胞の画像を連続的に撮影するために自動顕微鏡を使い始めたことです。自動顕微鏡は撮影を簡単にする一方で、手作業で仕分けするには膨大な量の画像を生み出します。 

手作業によるキュレーションは、正確でも効率的でもないことが明らかになっています。さらに、ほとんどのイメージング手法では、細胞死の後期段階しか検出できません。細胞がすでに分解を始めてから数日後のこともあります。そのため、細胞死を実際に引き起こした要因と、単にその分解に関与しているだけの要因を区別することが困難です。

科学者たちはしばらくの間、キュレーション作業の自動化を試みてきました。しかし初期の試みでは、研究で使われる幅広い種類の細胞や顕微鏡に対応できず、インターンの精度に匹敵することもできませんでした。 

しかし、研究チームが開発した新しい人工知能技術は、超人的な精度と速度で死細胞を識別できる可能性があります。この進展は、あらゆる種類の生物医学研究、特に神経変性疾患の分野を加速させる可能性があります。

近年、人工知能は顕微鏡分野を急速に席巻しています。畳み込みニューラルネットワーク、すなわちCNNと呼ばれるAIの一形態は、人間と同じくらい正確に画像を分析できるため、特に注目されています。

畳み込みニューラルネットワークは、画像内の複雑なパターンを認識し検出するように訓練できます。人間の視覚と同様に、CNNに多数の画像例を与え、注目すべき特徴を示すことで、コンピュータは対象となるパターンを認識できるようになります。

これらのパターンには、肉眼では見分けにくい生物学的現象が含まれることがあります。例えば、ある研究チームは、CNNを訓練して、訓練を受けた皮膚科医よりも正確に皮膚がんを識別できるようにしました。さらに最近では、科学者たちが、顕微鏡画像上で細胞の種類などの複雑な生物学的シグネチャーを識別するようCNNを訓練することに成功しています。

この研究を基に、サンフランシスコのカリフォルニア大学のギャッドストーン研究所の研究者たちは、死細胞を検出するために、バイオマーカー最適化CNN（BO-CNN）と呼ばれる新技術を開発しました。まず、彼らはBO-CNNに、明らかに死んだ細胞と明らかに生きた細胞を区別させる必要がありました。 

そこで研究者たちは、無毒のタンパク質である遺伝子コード型死指標（GEDI）を生成するように設計されたマウスのニューロンを入れたシャーレを用意しました。このタンパク質は生きた細胞を緑色に、死んだ細胞を黄色に染めます。BO-CNNは、緑が「生」、黄色が「死」を意味することを容易に学習できました。しかし、BO-CNNは人間の目にはあまり明白ではない、生細胞と死細胞を区別する他の特徴も学習していました。

BO-CNNは緑の細胞と黄色の細胞を区別する特徴を学習した後、色の違いがないニューロンを見せられました。BO-CNNは、同じ作業を訓練された人間よりもはるかに速く、かつ正確に、生細胞と死細胞に正しくラベルを付けることができました。このモデルは、それまで見たことのない細胞の種類や、異なる種類の顕微鏡で撮影された画像を見ても、依然として死細胞を正しく識別できました。

しかし、一つの明白な疑問が残りました。研究者たちのモデルが、死細胞の検出においてなぜこれほど効果的だったのか、という点です。

科学者たちは、CNNが下す判断をしばしばブラックボックスとみなし、コンピュータが視覚的な課題を解くために用いる戦略は、その性能の高さに比べて重要性が低いと考えられてきました。しかし、細胞構造には、モデルが判断を下す際に注目しているパターンが何らかの形で存在するはずです。それらのパターンを明らかにすることで、科学者は細胞死がどのように見えるのかをより正確に把握し、なぜそれが起こるのかを理解できるかもしれません。

これらのパターンが何であるかを明らかにするため、研究チームは追加の計算ツールを用いてBO-CNNの判断を視覚的に表現しました。その結果、BO-CNNは細胞核内の蛍光パターンの変化に注目することで、部分的に細胞死を検出していることが分かりました。これは人間のキュレーターがこれまで知らなかった特徴であり、以前のAIモデルの設計がBO-CNNほど正確ではなかった理由の一つかもしれません。

研究者たちは、自らのアプローチが複雑な生物学を研究するために人工知能を用いる上で大きな前進であり、この概念実証は顕微鏡画像における細胞死の検出にとどまらず、広く応用できると考えています。彼らのソフトウェアはオープンソースで、誰でも利用できます。

生細胞の顕微鏡観察は非常に多くの情報を含んでいますが、研究者にとって解釈が難しいものです。しかしBO-CNNのような技術を使えば、細胞自体が発する信号を利用して、他の細胞の信号を認識し解釈するようAIを訓練できるようになりました。人間の推測を排除することで、BO-CNNは研究の再現性と速度を高め、そうでなければ容易に認識できなかった画像中の新たな現象の発見にも役立つ可能性があります。

研究チームは現在、AIを用いてBO-CNN技術を拡張し、未来を予測することに取り組んでいます。つまり、細胞が死に始める前に、損傷を受けた細胞を特定することです。これは神経変性疾患の研究を一変させ、ニューロンの死を防ぐ新たな方法を見つけ、最終的にはより効果的な治療法につながる可能性があると彼らは考えています。