U svijetu ćelijske biologije, razumijevanje ekspresije gena u ćelijama kancerogenih bolesnika može biti ključno. Pomaže kliničkim biologima da otkriju porijeklo kancera i predvide učinkovitost različitih tretmana. Međutim, ćelije su složene entitete s mnogim slojevima, a metoda koju biolog koristi za provođenje mjerenja značajno utječe na podatke koje dobiju. Na primjer, mjerenje proteina u ćeliji može dati različite uvide u učinke kancera od mjerenja ekspresije gena ili ćelijske morfologije.
Mjesto u ćeliji s kojeg se dobiva informacija također je ključno. Međutim, kako bi se dobila potpuna slika stanja ćelije, znanstvenici često moraju provesti više mjerenja koristeći različite tehnike i analizirati ih pojedinačno. Dok mašinsko učenje može ubrzati ovaj proces, postojeći metodi kombiniraju sve informacije iz svakog načina mjerenja, što čini teško određivanjem koje podatke potječu iz kojeg dijela ćelije.
Da bi se riješio ovaj problem, istraživači s Instituta za široke studije MIT-a i Harvardove, zajedno s ETH Zurich/Paul Scherrer Institutom (PSI), razvili su okvir temeljen na umjetnoj inteligenciji. Ovaj okvir uči koje informacije o stanju ćelije su zajedničke među različitim načinima mjerenja, a koje su jedinstvene za određeni način mjerenja.
Identificiranjem informacija koje potječu iz kojih dijelova ćelije, pristup pruža holistički pogled na stanje ćelije, čineći ga lakšim za biologa da vidi potpunu sliku ćelijskih interakcija. To bi značajno pomoglo znanstvenicima u razumijevanju mehanizama bolesti, praćenju napretka kancera, neurodegenerativnih poremećaja poput Alzheimerove bolesti i metaboličkih bolesti kao što je dijabetes.
„Kada proučavamo ćelije, često jedan način mjerenja nije dovoljan, pa znanstvenici razvijaju nove tehnologije za mjerenje različitih aspekata ćelija. Iako imamo mnogo načina za gledanje ćelije, na kraju dana imamo samo jedno stanje ćelije. Spajanjem informacija iz svih ovih načina mjerenja na pametniji način, možemo imati puniju sliku stanja ćelije,” kaže voditelj istraživanja Xinyi Zhang SM ’22, PhD ’25, bivši student na MIT-u na Odjelu za elektrotehniku i računarstvo (EECS) i član Eric i Wendy Schmidt Centra na Institutu za široke studije MIT-a i Harvardove, koji je sada voditelj grupe u AITHYRA u Beču, Austrija.
Zhang je pridružen na radu o ovom istraživanju G.V. Shivashankar, profesorom na Odjelu za zdravstvene znanosti i tehnologiju na ETH Zurichu i voditeljem Laboratorija za multiskalno bioimagiranje na PSI; i senior autor Caroline Uhler, profesorica na EECS i Institutu za podatke, sustave i društvo (IDSS) na MIT-u, članica MIT-ovog Laboratorija za informacije i odlučivanje (LIDS) i direktorica Eric i Wendy Schmidt Centra na Institutu za široke studije. Istraživanje se objavljuje danas u Nature Computational Science.
Razumijevanje složenosti ćelijskih mjerenja
Postoji mnogo alata koje znanstvenici mogu koristiti za prikupljanje informacija o stanju ćelije. Na primjer, mogu mjerenje RNA kako bi utvrdili je li ćelija u rastu, ili mogu mjerenje kromatina morfologije kako bi vidjeli je li ćelija reagirala na vanjske fizičke ili kemijske signale.
„Kada znanstvenici provode multimodalnu analizu, prikupljaju informacije koristeći više načina mjerenja i integriraju ih kako bi bolje razumjeli stanje ćelije. Neke informacije prikupljene su samo jednim načinom mjerenja, dok su druge informacije zajedničke među načinima mjerenja. Kako bi se potpuno razumjelo što se događa unutar ćelije, važno je znati odakle potječu informacije,” kaže Shivashankar.
Tradicionalno, jedini način za znanstvenike da to sortiraju je provođenje više pojedinačnih eksperimenata i usporedba rezultata. Ovaj spor i naporan proces ograničava količinu informacija koju mogu prikupiti.
Okvir temeljen na umjetnoj inteligenciji: revolucija u ćelijskoj biologiji
U ovom novom radu, istraživači su izgradili okvir temeljen na mašinskom učenju koji posebno razumije koje informacije se preklapaju među različitim načinima mjerenja, a koje su jedinstvene za određeni način mjerenja, ali nisu prikupljene od strane drugih.
„Kao korisnik, jednostavno možete unijeti svoje ćelijske podatke i automatski vam će reći koje su podatci zajednički, a koje su specifične za način mjerenja,” kaže Zhang.
Preispitivanje modela mašinskog učenja
Da bi izgradili ovaj okvir, istraživači su preispitali tipičan način na koji se modeli mašinskog učenja dizajniraju za prikupljanje i tumačenje multimodalnih ćelijskih mjerenja.
Obično, ovi metodi, poznati kao autoenkoderi, imaju jedan model za svaki način mjerenja, a svaki model kodira zaseban prikaz podataka prikupljenih tim načinom mjerenja. Ovi modeli se zatim kombiniraju kako bi se dobila konačna reprezentacija stanja ćelije.
U ovom novom radu, istraživači su dizajnirali autoenkoder koji može učiti zajedničke i jedinstvene značajke među različitim načinima mjerenja. Ovaj pristup omogućava bolje razumijevanje stanja ćelije i lakše praćenje napretka bolesti.
Primjena okvira u istraživanju kancera
Okvir temeljen na umjetnoj inteligenciji je već primijenjen u istraživanju kancera. Istraživači su koristili ovaj okvir za analizu podataka iz različitih načina mjerenja ćelija kancera. Rezultati su pokazali da ovaj pristup može značajno poboljšati predviđanje učinkovitosti različitih tretmana.
„Ovaj okvir je revolucionaran jer omogućava znanstvenicima da bolje razumiju mehanizme bolesti i lakše prate napredak bolesti,” kaže Zhang.
Budućnost istraživanja ćelijske biologije
Okvir temeljen na umjetnoj inteligenciji predstavlja veliku priliku za istraživanje ćelijske biologije. Ovaj pristup može se koristiti za istraživanje različitih bolesti, uključujući neurodegenerativne poremećaje, metaboličke bolesti i autoimunske bolesti.
„Budućnost istraživanja ćelijske biologije leži u integraciji različitih načina mjerenja i korištenju umjetne inteligencije za bolje razumijevanje stanja ćelije,” kaže Shivashankar.
Zaključak
Okvir temeljen na umjetnoj inteligenciji predstavlja revoluciju u istraživanju ćelijske biologije. Ovaj pristup omogućava znanstvenicima da bolje razumiju mehanizme bolesti, lakše prate napredak bolesti i poboljšaju predviđanje učinkovitosti različitih tretmana.
„Ovaj okvir je samo početak. Budućnost istraživanja ćelijske biologije leži u integraciji različitih načina mjerenja i korištenju umjetne inteligencije za bolje razumijevanje stanja ćelije,” kaže Zhang.
Česta pitanja
Što je multimodalna analiza?
Multimodalna analiza je proces prikupljanja informacija o stanju ćelije koristeći više načina mjerenja. Ovaj pristup omogućava bolje razumijevanje stanja ćelije i lakše praćenje napretka bolesti.
Kako radi okvir temeljen na umjetnoj inteligenciji?
Okvir temeljen na umjetnoj inteligenciji koristi mašinsko učenje za identifikaciju zajedničkih i jedinstvenih značajki među različitim načinima mjerenja. Ovaj pristup omogućava bolje razumijevanje stanja ćelije i lakše praćenje napretka bolesti.
Koji su potencijalni problemi s ovim pristupom?
Jedna od potencijalnih problema s ovim pristupom je potreba za velikim količinama podataka za obuku modela mašinskog učenja. Također, ovaj pristup može biti skup i zahtijevati značajne računalne resurse.
Kako ovaj pristup može pomoći u liječenju bolesti?
Ovaj pristup može pomoći u liječenju bolesti omogućavanjem boljeg razumijevanja mehanizama bolesti i lakšeg praćenja napretka bolesti. Također, ovaj pristup može poboljšati predviđanje učinkovitosti različitih tretmana.
Koji su budući pravci istraživanja u ovom području?
Budući pravci istraživanja u ovom području uključuju integraciju različitih načina mjerenja i korištenje umjetne inteligencije za bolje razumijevanje stanja ćelije. Također, istraživači istražuju mogućnosti korištenja ovog pristupa za istraživanje različitih bolesti.