Консалтинговая группа "Текарт" - центр компетенции "Робототехника".

Подробнее...
Основное меню
Категории новостей
Логотип

Машинное обучение поможет выращивать искусственные органы

Ученые из Московского физико-технического института совместно с коллегами из Института системного программирования и Института глазных исследований им. Чарльза Шепенса Гарвардской школы медицины (США) разработали нейросеть, способную распознавать ткани формирующейся сетчатки еще до ее окончательной дифференцировки. 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.

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 это время 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 данный момент 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%, в то время как нейросеть имела точность 84%.

«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.

Комментарии

(0) Добавить комментарий

Ищите команду разработчиков? Не можете найти робота для своих нужд? Пишите нам!

Для обратной связи укажите ваш E-mail, он будет доступен только администратору. Так вы сможете оперативно узнать, когда ответ на ваш вопрос будет опубликован



Новые комментарии

Магнитные гусеничные роботы для очистки корпуса судна от продуктов биообрастания
Гость Николай Николаевич
29.12.2023
10:23:08
Очень нравится. Как возможно задействовать в наших водах Азов и Черное море