ИИ превосходит экспертов в прогнозировании будущего качества «мини-органов»
Органоиды — миниатюрные, выращенные в лаборатории ткани, которые имитируют функцию и структуру органов — трансформируют биомедицинские исследования. Они обещают прорывы в персонализированных трансплантациях, улучшенное моделирование таких заболеваний, как болезнь Альцгеймера и рак, и более точное понимание эффектов медицинских препаратов.
Теперь исследователи из Университета Кюсю и Университета Нагоя в Японии разработали модель, которая использует искусственный интеллект (ИИ) для прогнозирования развития органоидов на ранней стадии. Модель, которая быстрее и точнее, чем у экспертов-исследователей, может повысить эффективность и снизить стоимость культивирования органоидов .
В этом исследовании, опубликованном в журнале Communications Biology 6 декабря 2024 года, ученые сосредоточились на прогнозировании развития гипоталамо-гипофизарных органоидов.
Эти органоиды имитируют функции гипофиза, включая выработку адренокортикотропного гормона (АКТГ): важнейшего гормона для регулирования стресса, обмена веществ, кровяного давления и воспаления. Дефицит АКТГ может привести к усталости, анорексии и другим проблемам, которые могут быть опасны для жизни.
«Исследования на мышах в нашей лаборатории показывают, что трансплантация гипоталамо-гипофизарных органоидов может быть использована для лечения дефицита АКТГ у людей», — говорит автор-корреспондент Хидетака Суга, доцент Высшей школы медицины Университета Нагоя.
Однако одной из ключевых проблем для исследователей является определение того, правильно ли развиваются органоиды. Органоиды, полученные из стволовых клеток, взвешенных в жидкости, чувствительны к мельчайшим изменениям окружающей среды, что приводит к изменчивости их развития и конечного качества.
Исследователи обнаружили, что одним из признаков хорошего прогресса является широкая экспрессия белка RAX на ранней стадии развития, что впоследствии часто приводит к образованию органоидов с сильной секрецией АКТГ.
Исследователи использовали флуоресцентные изображения для классификации соответствующих светлопольных изображений на основе их экспрессии RAX по трем категориям: A (широкая экспрессия RAX, высокое качество); B (средняя экспрессия RAX, среднее качество) и C (узкая экспрессия RAX, низкое качество). Автор: Асано и др. (2024) Communications Biology
«Мы можем отслеживать развитие, генетически модифицируя органоиды, чтобы заставить белок RAX флуоресцировать», — говорит Шуга. «Однако органоиды, предназначенные для клинического использования , например, для трансплантации, нельзя генетически модифицировать, чтобы они флуоресцировали. Поэтому наши исследователи должны судить на основе того, что они видят своими глазами: это трудоемкий и неточный процесс».
Поэтому Суга и его коллеги из Нагои объединились с Хирохико Нииока, профессором Инициативы по инновациям на основе данных в Университете Кюсю, чтобы обучить модели глубокого обучения для этой работы.
«Модели глубокого обучения — это тип искусственного интеллекта, который имитирует способ обработки информации человеческим мозгом, позволяя им анализировать и классифицировать большие объемы данных путем распознавания закономерностей», — объясняет Нииока.
Исследователи из Нагои получили как флуоресцентные изображения, так и светлопольные изображения, показывающие, как выглядят органоиды при обычном белом свете без какой-либо флуоресценции, — органоидов с флуоресцентными белками RAX на 30-й день развития.
Используя флуоресцентные изображения в качестве ориентира, они классифицировали 1500 светлопольных изображений по трем категориям качества: A (широкая экспрессия RAX, высокое качество); B (средняя экспрессия RAX, среднее качество) и C (узкая экспрессия RAX, низкое качество).
Затем Нииока обучил две продвинутые модели глубокого обучения, EfficientNetV2-S и Vision Transformer, разработанные Google для распознавания изображений, чтобы предсказать категорию качества органоидов. Он использовал 1200 изображений в светлом поле (400 в каждой категории) в качестве обучающего набора.
После обучения Нииока объединил две модели глубокого обучения в ансамблевую модель для дальнейшего улучшения производительности. Исследовательская группа использовала оставшиеся 300 изображений (по 100 из каждой категории) для тестирования теперь оптимизированной ансамблевой модели, которая классифицировала светлопольные изображения органоидов с точностью 70%.
Две разные модели распознавания изображений, EfficientNetV2-S и Vision Transformer, были обучены и затем объединены в ансамблевую модель для прогнозирования качества гипоталамо-гипофизарных органоидов на основе изображений в светлом поле. Автор: Хирохико Нииока, Университет Кюсю
Напротив, когда исследователи с многолетним опытом работы с органоидными культурами предсказывали категорию тех же самых светлопольных изображений, их точность составляла менее 60%.
«Модели глубокого обучения превзошли экспертов по всем параметрам: по точности, чувствительности и скорости», — говорит Нииока.
Следующим шагом было проверить, способна ли ансамблевая модель правильно классифицировать светлопольные изображения органоидов без генетической модификации, заставляющей RAX флуоресцировать.
Исследователи протестировали обученную ансамблевую модель на светлопольных изображениях гипоталамо-гипофизарных органоидов без флуоресцентных белков RAX на 30-й день развития.
Используя методы окрашивания, они обнаружили, что органоиды, классифицированные моделью как A (высокое качество), действительно показали высокую экспрессию RAX через 30 дней. При дальнейшем культивировании эти органоиды позже показали высокую секрецию АКТГ. Между тем, низкие уровни RAX, а затем и АКТГ, были видны для органоидов, классифицированных моделью как C (низкое качество).
«Поэтому наша модель может предсказать на ранней стадии разработки, каким будет окончательное качество органоида, основываясь исключительно на внешнем виде», — говорит Нииока. «Насколько нам известно, это первый случай в мире, когда глубокое обучение было использовано для прогнозирования будущего развития органоида».
В дальнейшем исследователи планируют повысить точность модели глубокого обучения, обучив ее на большем наборе данных. Но даже при текущем уровне точности модель имеет глубокие последствия для текущих исследований органоидов.
«Мы можем быстро и легко выбирать высококачественные органоиды для трансплантации и моделирования заболеваний, а также сокращать время и затраты за счет выявления и удаления органоидов, которые развиваются хуже», — заключает Шуга. «Это меняет правила игры».