Исследователи разработали «идеальный сортировщик клеток»

В медицине и биологии существует большой интерес к эффективным и недорогим методам идентификации и разделения различных типов клеток, например, для медицинской диагностики или регенеративных терапий с использованием стволовых клеток. До сих пор методом выбора была проточная цитометрия, при которой клетки метят флуоресцентными антителами и идентифицируют при прохождении через канал. Однако у этого метода есть недостатки: он относительно дорог и трудоемок, а антитела могут изменять свойства клеток и вызывать проблемы при введении в организм.

Для решения этих проблем можно использовать физические свойства клеток как дополнительный отличительный признак: благодаря цитоскелету каждый тип клеток имеет характерные механические свойства, такие как форма, размер и, в частности, деформируемость. Команда под руководством Йохена Гука несколько лет назад разработала на этой основе новую технику: цитометрию деформируемости в реальном времени (RT-DC). В этой технике суспензию клеток пропускают через прозрачный канал тоньше волоса. Клетки растягиваются без повреждений, и степень деформации позволяет отнести их к определенному типу.

Идентификация типов клеток происходит с помощью высокоскоростной камеры, которая записывает деформированные клетки в канале со скоростью 2000–4000 кадров в секунду. Изображения анализируются специальным программным обеспечением, которое оценивает определенные заранее заданные свойства клеток в реальном времени. Эта оценка в реальном времени, при которой каждая клетка идентифицируется сразу при прохождении через канал, стала основой для первого нововведения: она позволяет отклонять клетки в сборный канал после идентификации. Впервые клетки теперь можно сортировать на основе их деформируемости.

Другая новизна — сочетание RT-DC с искусственным интеллектом: сотни тысяч изображений отдельных клеток являются идеальной основой для обучения нейронной сети распознаванию различных типов клеток. Алгоритм ИИ может затем идентифицировать клетки с ранее недостижимой скоростью и также сортировать их в реальном времени по желанию.

Гук сравнивает этот подход с силой Google: если владельцы кошек публикуют в интернете миллионы фотографий с подписью «моя кошка», алгоритм поиска обучается распознавать характеристики, которые делают кошку. Аналогично, в новом методе флуоресцентные молекулы, которые присоединяются только к определенным клеткам, соответствуют подписи «моя кошка», а фото клетки — изображению кошки. Таким образом, нейронная сеть учится связывать свечение с конкретным типом клеток. После достаточного обучения маркер можно полностью опустить, и тип клеток будет распознаваться и без флуоресценции.

Этот новый метод имеет много преимуществ:

• После обучения нейронной сети трудоемкая и дорогостоящая флуоресцентная маркировка для идентификации больше не требуется.
• Клетки больше не изменяются чужеродными молекулами.
• Процедура очень щадящая для клеток, не меняет их свойства и может анализировать до 1000 клеток в секунду.
• Применение ИИ к RT-DC также дает преимущество, поскольку параметры для распознавания клеток или их изменений при болезни не нужно определять заранее — ИИ сам решает, какая информация изображения лучше всего подходит для дифференциации клеток.

Гук называет этот новый метод, опубликованный в престижном журнале Nature Methods, «идеальным сортировщиком клеток»: он сочетает точность установленного обнаружения с помощью флуоресценции с чувствительностью присущих механических свойств клеток и имеет потенциал стать будущим стандартным методом для всех биологических и биомедицинских лабораторий. В будущем с его помощью можно будет, например, быстро выделять кроветворные стволовые клетки из образца для восстановления иммунной системы у пациента после химиотерапии или отбирать особенно подходящие фоторецепторные клетки из человеческих органоидов для трансплантации с целью предотвращения некоторых форм слепоты.