Новый метод на основе ИИ использует трансформерные модели для изучения клеток человека
Исследователи из Школы компьютерных наук Университета Карнеги-Меллон разработали метод, использующий искусственный интеллект для расширения возможностей изучения клеток. Это может помочь учёным лучше понять и в конечном итоге лечить заболевания.
Изображения образцов органов или тканей содержат миллионы клеток. Хотя анализ этих клеток in situ является важной частью биологических исследований, такие изображения делают почти невозможным идентификацию отдельных клеток, определение их функции и понимание их организации. Метод пространственной транскриптомики (spatial transcriptomics) фокусируется на этих клетках, комбинируя визуализацию с возможностью количественно определять уровень экспрессии генов в каждой клетке. Это позволяет исследователям детально изучать ключевые биологические механизмы — от того, как иммунные клетки борются с раком, до клеточного воздействия лекарств и старения.
Многие современные платформы пространственной транскриптомики по-прежнему не обладают разрешением, необходимым для более детального анализа. Эти технологии часто группируют клетки в кластеры от нескольких до 50 клеток на одно измерение. Такое разрешение может быть достаточным для крупных и хорошо представленных клеток, но проблематично для мелких или редких клеток, которые могут быть наиболее критичными для изучаемого заболевания.
В новой статье, опубликованной в Nature Methods, исследователи из Департамента вычислительной биологии Хао Чен, Донгшуньи Ли и Зив Бар-Йосеф представили метод, использующий ИИ для улучшения новейших технологий пространственной транскриптомики.
Исследование CMU сосредоточено на более современных технологиях, которые создают изображения в гораздо более близком масштабе, обеспечивая субклеточное разрешение (несколько измерений на клетку). Хотя эти методы решают проблему разрешения, они создают новые сложности: изображения настолько приближены, что захватывают не 15–50 клеток, а лишь несколько генов. Этот переворот предыдущей проблемы затрудняет идентификацию отдельных компонентов и определение того, как сгруппировать эти измерения для изучения конкретных клеток, затуманивая общую картину.
Алгоритм, разработанный исследователями CBD под названием сегментация клеток в субклеточной пространственной транскриптомике (SCS), использует ИИ и передовые глубокие нейронные сети для адаптивной идентификации клеток и их составных частей. SCS применяет трансформерные модели, аналогичные тем, что используются большими языковыми моделями, такими как ChatGPT, для сбора информации из области, окружающей каждое измерение. Подобно тому, как ChatGPT использует весь контекст предложения или абзаца для завершения слова, метод SCS заполняет недостающую информацию для конкретного измерения, включая данные из окружающих его клеток.
При применении к изображениям образцов мозга и печени с сотнями тысяч клеток SCS точно определил местоположение и тип каждой клетки. Алгоритм также идентифицировал несколько клеток, пропущенных текущими подходами анализа, включая редкие и мелкие клетки, которые могут играть решающую роль в конкретных заболеваниях или процессах, таких как старение. SCS также предоставил информацию о локализации молекул внутри клеток, значительно повысив разрешение, при котором исследователи могут изучать клеточную организацию.
«Возможность использовать последние достижения ИИ для изучения человеческого тела открывает дверь для нескольких последующих применений пространственной транскриптомики для улучшения здоровья человека», — заявил Зив Бар-Йосеф, профессор машинного обучения и вычислительной биологии FORE Systems в CMU.
Такие применения уже исследуются несколькими крупными консорциумами, включая Программу атласа биомолекул человека (HuBMAP), которые используют пространственную транскриптомику для создания детальной 3D-карты человеческого тела.
«Интегрируя передовые биотехнологии и ИИ, SCS помогает раскрыть несколько открытых вопросов о клеточной организации, которые являются ключевыми для нашей способности понимать и в конечном итоге лечить болезни», — добавил Хао Чен, постдокторант Lane в CBD.
SCS доступен бесплатно на GitHub.