ШІ виявляє мертві клітини у 100 разів швидше за людей — це може допомогти вилікувати хворобу Альцгеймера

Розуміння того, коли і чому помирає клітина, має фундаментальне значення для вивчення розвитку людини, хвороб і старіння. Для нейродегенеративних захворювань, таких як хвороба Лу Герига, хвороба Альцгеймера і хвороба Паркінсона, ідентифікація мертвих і вмираючих нейронів має вирішальне значення для розробки та тестування нових методів лікування. 

Але виявлення мертвих клітин може бути складним завданням. Досі вченим доводилося вручну позначати під мікроскопом, які клітини виглядають живими, а які мертвими. Мертві клітини мають характерний згорнутий вигляд, який відносно легко розпізнати, якщо знати, що шукати. 

Дослідники найняли справжню армію студентів-стажерів з погодинною оплатою, щоб вони переглянули тисячі зображень і підрахували, коли кожен нейрон у зразку помер. На жаль, робити це вручну — повільний, дорогий і інколи схильний до помилок процес.

Ще більше ускладнює ситуацію те, що вчені нещодавно почали використовувати автоматичні мікроскопи для безперервного захоплення зображень клітин у міру їх зміни з часом. Хоча автоматизовані мікроскопи спрощують фотографування, вони також створюють величезну кількість зображень для ручного сортування. 

Стало зрозуміло, що ручне кураторство не є ані точним, ані ефективним. Крім того, більшість методів візуалізації дозволяють виявити лише пізні стадії загибелі клітин — інколи через кілька днів після того, як клітина вже почала розкладатися. Це ускладнює розрізнення між тим, що справді спричинило загибель клітини, і чинниками, які лише беруть участь у її розпаді.

Вчені деякий час намагалися автоматизувати процес кураторства. Початкові спроби не могли впоратися з широким спектром типів клітин і мікроскопів, які використовуються в дослідженнях, і не могли конкурувати з точністю стажерів. 

Але нова технологія штучного інтелекту, розроблена дослідницькою групою, може ідентифікувати мертві клітини з надлюдською точністю і швидкістю. Цей прогрес потенційно може прискорити всі види біомедичних досліджень, особливо в галузі нейродегенеративних захворювань.

Останнім часом штучний інтелект штурмом узяв галузь мікроскопії. Форма ШІ, що називається згортковими нейронними мережами, або CNN, викликає особливий інтерес, оскільки вона може аналізувати зображення так само точно, як і люди.

Згорткові нейронні мережі можна навчити розпізнавати і виявляти складні закономірності в зображеннях. Як і у випадку з людським зором, надання CNN множини прикладів зображень і вказівка, на які ознаки слід звернути увагу, може навчити комп'ютер розпізнавати цікаві моделі.

Ці закономірності можуть включати біологічні явища, які важко побачити неозброєним оком. Наприклад, одна дослідницька група змогла навчити CNN точніше ідентифікувати рак шкіри, ніж навчені дерматологи. Зовсім нещодавно вчені змогли навчити CNN ідентифікувати складні біологічні сигнатури, такі як тип клітин, на мікроскопічних зображеннях.

Спираючись на цю роботу, дослідники з Інституту Гладстона Каліфорнійського університету в Сан-Франциско розробили нову технологію, що називається біомаркерно-оптимізованими CNN (BO-CNN) для виявлення загиблих клітин. Спочатку їм потрібно було навчити BO-CNN розрізняти явно мертві і явно живі клітини. 

Тому вони підготували чашку Петрі з нейронами мишей, які були сконструйовані так, щоб виробляти нетоксичний білок, що називається генетично кодованим індикатором смерті (GEDI), який фарбував живі клітини в зелений колір, а мертві клітини — в жовтий. BO-CNN міг легко дізнатися, що зелений означає «живий», а жовтий — «мертвий». Але він також вивчав інші ознаки, що відрізняють живі клітини від мертвих, які не такі очевидні для людського ока.

Після того як BO-CNN навчився визначати ознаки, що відрізняють зелені клітини від жовтих, йому показали нейрони, які не відрізняються кольором. BO-CNN зміг правильно позначати живі і мертві клітини значно швидше і точніше, ніж люди, навчені робити те саме. Модель могла навіть дивитися на зображення типів клітин, яких вона раніше не бачила, зроблені різними типами мікроскопів, і все одно правильно ідентифікувати мертві клітини.

Однак залишалося одне очевидне питання: чому модель дослідників виявилася настільки ефективною у виявленні мертвих клітин?

Вчені часто розглядають рішення, які ухвалюють CNN, як чорні скриньки, при цьому стратегія, яку комп'ютер використовує для розв'язання візуального завдання, вважається менш важливою, ніж те, наскільки добре він працює. Однак, оскільки в клітинній структурі мають бути якісь закономірності, на які орієнтується модель під час ухвалення рішень, їх виявлення може допомогти вченим краще визначити, як виглядає загибель клітин, і зрозуміти, чому вона відбувається.

Щоб з'ясувати, що це за патерни, команда використала додаткові обчислювальні інструменти для створення візуальних уявлень рішень BO-CNN. З'ясувалося, що їхня модель BO-CNN частково виявляє загибель клітин, зосереджуючись на зміні патернів флуоресценції в ядрі клітини. Це ознака, про яку кураторам-людям раніше не було відомо, і це може бути причиною того, що дизайн попередніх моделей ШІ був менш точним, ніж BO-CNN.

Дослідники вважають, що їхній підхід є значним прогресом у використанні штучного інтелекту для вивчення складної біології, і цей доказ концепції може бути широко застосований поза межами виявлення загибелі клітин на мікроскопічних зображеннях. Їхнє програмне забезпечення має відкритий вихідний код і є загальнодоступним.

Мікроскопія живих клітин надзвичайно багата інформацією, яку дослідникам важко інтерпретувати. Але завдяки таким технологіям, як BO-CNN, тепер вони можуть використовувати сигнали від самих клітин, щоб навчати ШІ розпізнавати й інтерпретувати сигнали в інших клітинах. Виключаючи людські здогади, BO-CNN підвищують відтворюваність і швидкість досліджень і можуть допомогти вченим виявляти нові явища на зображеннях, які інакше вони не змогли б легко розпізнати.

За допомогою штучного інтелекту дослідницька група наразі працює над розширенням своєї технології BO-CNN для передбачення майбутнього — виявлення пошкоджених клітин ще до того, як вони почнуть вмирати. Вони вважають, що це може змінити правила гри в дослідженнях нейродегенеративних захворювань, допомагаючи визначити нові способи запобігання загибелі нейронів і, зрештою, призвести до ефективніших методів лікування.