Машинное обучение раскрывает источники гетерогенности клеток в нашем организме

Команда южнокорейских ученых под руководством профессора Ким Джэ Кёна из Группы биомедицинской математики Института фундаментальных наук (IBS-BIMAG) раскрыла секреты вариабельности клеток в нашем теле. Ожидается, что результаты этого исследования окажут далеко идущее влияние, например, на повышение эффективности химиотерапии или развитие новой парадигмы в изучении устойчивых к антибиотикам бактерий.

В исследовании, опубликованном в журнале Patterns под названием "Density Physics-informed Neural Networks Reveal Sources of Cell Heterogeneity in Signal Transduction", в качестве первых авторов участвовали доктора Джо Хёнтэ и Хонг Хёкпё.

Клетки в нашем организме имеют сигнальную систему, которая реагирует на различные внешние стимулы, такие как антибиотики и изменения осмотического давления. Эта система играет критическую роль в выживании клеток при взаимодействии с внешней средой. Однако даже клетки с одинаковой генетической информацией могут по-разному реагировать на одни и те же стимулы — это явление называется клеточной гетерогенностью.

Клеточная гетерогенность представляет большой интерес для медицины, поскольку известно, что она препятствует полному уничтожению раковых клеток химиотерапевтическими агентами, такими как противоопухолевые препараты. Источники такой гетерогенности и ее связь с сигнальной системой оставались проблемой, поскольку промежуточные процессы в этой системе невозможно полностью наблюдать с помощью современных экспериментальных технологий.

Чтобы раскрыть эти источники, исследовательская группа профессора Кима разработала методологию машинного обучения с использованием искусственных нейронных сетей, называемых Density Physics-informed neural networks (Density-PINNs). Density-PINNs используют наблюдаемые данные временных рядов о реакции клеток на внешние стимулы для обратной оценки информации о сигнальной системе.

Применив Density-PINNs к реальным экспериментальным данным об ответе бактериальных клеток (E. coli) на антибиотики, команда обнаружила, что параллельная структура сигнальной системы может снижать гетерогенность среди клеток.

Профессор Ким считает, что это исследование в области математического моделирования и машинного обучения будет способствовать углублению понимания клеточной гетерогенности, что крайне важно для лечения рака. Он выразил надежду, что данное достижение приведет к разработке улучшенных стратегий терапии онкологических заболеваний.