Машинное обучение поможет выращивать искусственные органы
Ученые из МФТИ совместно с коллегами из Института системного программирования и Института глазных исследований имени Чарльза Шепенса Гарвардской школы медицины (США) Для этого алгоритму, в отличие от человека, не требуется дополнительной модификации клеток. Это позволяет применять метод при выращивании сетчатки для пересадки.
Результаты опубликованы в журнале Frontiers in Cellular Neuroscience (Kegeles et al., Convolutional Neural Networks Can Predict Retinal Differentiation in Retinal Organoids).
В многоклеточных организмах каждый орган и тип тканей состоит из клеток, имеющих разные функции и свойства. Эти функции они приобретают в процессе развития. В самом начале все клетки одинаковые, но они потенциально способны создавать все типы клеток зрелого организма, в этот период времени такие клетки называются стволовыми.
Когда в некоторых из них начинают синтезироваться белки, работающие в определенных тканях, происходит дифференцировка и специализация клеток. После этого группы клеток образуют разные ткани и органы. Наиболее современным подходом для воспроизведения процесса развития различных тканей в пробирке является технология дифференцировки в трехмерных клеточных агрегатах – органоидах. Данная технология уже показала свою эффективность для исследования развития сетчатки, мозга, внутреннего уха, кишечника, поджелудочной железы и многих других тканей.
Благодаря тому, что процесс дифференцировки по данной технологии основывается на естественных механизмах развития, получаемая ткань обладает значительным сходством с естественным органом. Природа некоторых этапов дифференцировки имеет случайный характер, что приводит к значительному изменению количества клеток с определенной функцией даже среди искусственных органов в одной партии, не говоря о разных клеточных линиях.
Это значит, что для воспроизводимости экспериментов и, как следствие, для наибольшей надежности в клинических применениях при каждой дифференцировке необходимо уметь определять, какие клетки специализировались, а какие – нет. Для определения дифференцированных клеток при работе с тканями специалисты используют флуоресцентные белки – ген светящегося белка добавляют в ДНК клеток, в результате чего последние начинают его синтезировать, когда проходят нужную стадию развития.
К сожалению, этот чувствительный, специфичный и удобный для количественной оценки метод не подходит для производства клеток для трансплантации или моделирования наследственных заболеваний генетической природы. Именно поэтому ученые в данной работе предложили альтернативный подход для анализа – на основании структуры самой ткани.
На сегодняшний день нет надежных и объективных критериев, чтобы предсказать качество дифференцировки клеток. Для решения проблемы отбора лучших тканей сетчатки для дальнейшей трансплантации, скрининга лекарственных препаратов или моделирования заболеваний ученые решили использовать методы нейронных сетей и искусственного интеллекта.
«Одним из основных направлений деятельности нашей лаборатории является применение методов биоинформатики, машинного обучения и искусственного интеллекта для решения прикладных задач в области генетики и молекулярной биологии. Данная разработка – как раз на стыке наук. В ней классические для Физтеха инструменты нейронных сетей применены для очень значимой прикладной биомедицинской проблемы – предсказания дифференцировки в сетчатку из стволовых клеток. Сетчатка человека имеет крайне ограниченный потенциал к регенерации.
Это значит, что любая прогрессирующая потеря нейронов, например, при глаукоме, неизбежно приводит к полной слепоте. Сейчас врачам практически нечего предложить таким пациентам, кроме как начинать учить таблицы Брайля. Наша работа делает биомедицину на шаг ближе к созданию клеточной терапии для заболеваний сетчатки глаза, что позволит не только предотвратить прогрессию заболевания, но и вернуть больным уже утраченное зрение», – объясняет руководитель лаборатории геномной инженерии МФТИ Павел Волчков.
Авторы статьи обучили нейронную сеть (компьютерный алгоритм, названный так по аналогии с работой человеческих нейронов в мозге) находить ткани развивающейся сетчатки на основании фотографий с простого светового микроскопа. Сначала они попросили экспертов идентифицировать на 1200 изображениях дифференцированные клетки при помощи точного метода с использованием флуоресцентного репортера.
Нейросеть обучили на 750 изображениях, еще 150 были использованы для валидации и 250 – для тестов. После проверки всех предсказаний оказалось, что люди определяли дифференцированные клетки с точностью около 67 процентов, в то время как нейросеть имела точность 84 процента.
«Наши результаты показывают, что критерии отбора тканей сетчатки на ранней стадии субъективны и зависят от эксперта, который принимает решение. При этом морфология (то есть структура) самой ткани даже на очень ранней стадии позволяет прогнозировать дифференцировку сетчатки. И программа, в отличие от человека, может извлечь эту информацию.
С учетом того, что этот подход не требует сложных изображений, флуоресцентных репортеров или красителей для анализа, его легко внедрить. Это позволяет сделать еще один шаг в сторону создания клеточных терапий для таких заболеваний сетчатки, как глаукома и макулярная дистрофия, которые сейчас практически неминуемо приводят к слепоте. Кроме того, этот подход может быть перенесен не только на другие клеточные линии, но и на человеческие искусственные органы», – дополняет Евгений Кегелес, сотрудник лаборатории терапии орфанных заболеваний МФТИ.
Блог Физтеха, Naked Science
Портал «Вечная молодость» http://vechnayamolodost.ru
