Inteligența artificială învinge experții în prezicerea calității viitoare a „mini-organelor”
Cercetătorii de la Universitatea Kyushu și Universitatea Nagoya din Japonia au dezvoltat un model care utilizează inteligența artificială (AI) pentru a prezice dezvoltarea organoizilor într-un stadiu incipient. Modelul, care este mai rapid și mai precis decât cercetătorii experți, ar putea îmbunătăți eficiența și reduce costurile de cultivare a organoizilor.
Studiul s-a axat pe prezicerea dezvoltării organoizilor hipotalamo-hipofizari, care imită funcțiile glandei pituitare, inclusiv producția de hormon adrenocorticotropic (ACTH), un hormon esențial pentru reglarea stresului, metabolismului, tensiunii arteriale și inflamației. Deficitul de ACTH poate duce la oboseală, anorexie și alte probleme care pun viața în pericol.
Organoizii sunt versiuni miniaturizate tridimensionale (3D) ale organelor sau țesuturilor care sunt derivate din celule cu potențial stem și se pot auto-organiza și diferenția în mase celulare 3D, recapitulând morfologia și funcțiile omologilor din organism.
Determinarea dacă organoizii se dezvoltă corect este o provocare majoră
Cu toate acestea, determinarea dacă organoizii se dezvoltă corect este o provocare majoră. Organoizii sunt sensibili la schimbările minime de mediu, ceea ce duce la variabilitatea dezvoltării și calității lor finale. Cercetătorii au descoperit că un semn al unei bune evoluții este expresia largă a unei proteine numite RAX într-un stadiu timpuriu de dezvoltare, care duce adesea la organoizi cu secreție puternică de ACTH mai târziu.
Pentru a urmări dezvoltarea, modificarea genetică a organoizilor pentru a face proteina RAX fluorescentă, dar organoizii destinați utilizării clinice, cum ar fi transplantul, nu pot fi modificați genetic pentru a fi fluorescenți.
Pentru a rezolva această problemă, cercetătorii au colaborat cu Hirohiko Niioka, profesor al Inițiativei de inovare bazată pe date de la Universitatea Kyushu, pentru a antrena modele de învățare profundă pentru această sarcină. Ei au capturat atât imagini fluorescente, cât și imagini bright-field ale organoizilor cu proteine RAX fluorescente la 30 de zile de dezvoltare și au clasificat 1500 de imagini bright-field în trei categorii de calitate:
- A (expresie RAX largă, calitate ridicată);
- B (expresie RAX medie, calitate medie);
- C (expresie RAX îngustă, calitate scăzută).
Cercetătorii au combinat cele două modele de învățare profundă într-un model de ansamblu
După antrenament, cercetătorii au combinat cele două modele de învățare profundă într-un model de ansamblu, care a clasificat imaginile de câmp luminos ale organoizilor cu o precizie de 70%. Aceasta este prima dată când învățarea profundă a fost utilizată pentru a prezice viitorul dezvoltării organoizilor, scrie Science Daily.
În continuare, cercetătorii intenționează să îmbunătățească precizia modelului de învățare profundă prin antrenarea acestuia pe un set de date mai mare.
Modelul are implicații profunde pentru cercetarea actuală privind organoizii, deoarece permite selectarea rapidă și ușoară a organoizilor de înaltă calitate pentru transplant și modelarea bolilor și reduce timpul și costurile prin identificarea și eliminarea organoizilor care se dezvoltă mai puțin bine.
