AI buduje model ludzkiej komórki
Techniki badania ludzkiej komórki wsparte metodami uczenia głębokiego (deep learning) otwierają przed nami szanse zbadania ludzkiej komórki w dotąd niemożliwej skali. Jest jeszcze wiele do odkrycia, a sprawa jest ważna – wiele chorób zaczyna się od tego, że nie działa jakiś element komórki.
Większość ludzkich chorób łączy się z tym, że jeden z elementów wewnątrz komórek naszego ciała nie funkcjonuje poprawnie. Na przykład guz rozwija się, ponieważ nieprecyzyjna ekspresja genu powoduje niewłaściwą produkcję określonego białka. Choroby metaboliczne występują z powodu nieprawidłowo działających mitochondriów. Żeby naukowcy mogli rozpoznawać kolejne źródła chorób powiązane z komórką, najpierw muszą jednak mieć pełną listę jej części. Jak się okazuje, bardzo wiele mamy tu jeszcze do odkrycia.
Znaczący krok w tym kierunku poczynili naukowcy z San Diego School of Medicine na Uniwersytecie Kalifornijskim, we współpracy ze zagranicznymi partnerami, wykorzystując do tego mikroskopię, techniki biochemiczne i sztuczną inteligencję. Opracowaną metodę badawczą nazwali Multi-Scale Integrated Cell (MuSIC). Publikacja na ten temat w czasopiśmie „Nature” ukazała się 24 listopada 2021.
– Kiedy myślisz o komórce, prawdopodobnie wyobrażasz sobie kolorowy diagram w swoim podręczniku biologii, z mitochondriami, siateczką śródplazmatyczną i jądrem. Ale czy to cała historia? Zdecydowanie nie – opowiada dr Trey Ideker, profesor w San Diego School of Medicine i pracownik Moores Cancer Center. – Naukowcy od dawna zdają sobie sprawę, że w komórce jest więcej elementów, o których nie wiemy, niż tych, o których wiemy wszystko. Teraz wreszcie możemy spojrzeć głębiej.
Opisane tu badania prof. Ideker prowadził wspólnie z dr Emmą Lundberg, pracującą w Królewskim Instytucie Technologicznym w Sztokholmie i na Uniwersytecie Stanforda.
Wnętrze komórki i liczne białka, które można tam znaleźć są zwykle badane za pomocą jednej z dwóch technik – obrazowania mikroskopowego albo asocjacji biofizycznej. W przypadku obrazowania badacze dodają fluorescencyjne znaczniki w różnych kolorach do interesujących ich białek, żeby w obszarze obserwowalnym przez mikroskop móc śledzić to, jak się ruszają i z czym się wiążą. Natomiast żeby obserwować asocjacje biofizyczne, czyli to, jak poszczególne elementy łączą się i współpracują, naukowcy posługują się przeciwciałami specyficznymi dla danego białka, żeby wyciągnąć je na zewnątrz komórki i zobaczyć, z czym jest połączone.
Zespół w swoich pracach od dawna już wykorzystuje obie te techniki. To, co wyróżnia eksperyment MuSIC to połączenie tych technik i wykorzystanie metody uczenia głębokiego (ang. deep learning), czyli rodzaju uczenia maszynowego, do mapowania obrazu komórki bezpośrednio z obrazów dostarczonych przez mikroskopię komórkową.
Mikroskopy są bardzo skuteczne, ale pozwalają na obserwacje tylko do wielkości jednego mikrometra, czyli wielkości odpowiadającej niektórym organellom, takim jak mitochondria. Mniejsze elementy, jak np. pojedyncze białka czy grupy białek, wymagają technik biochemicznych, które mogą sięgać do wielkości o skali nanometra.
Problem, z którym naukowcy borykają się od dawna, to jak przejść ze skali nano do skali mikro. Okazuje się, że ta przepaść jest możliwa do zapełnienia dzięki technikom sztucznej inteligencji, które pozwalają na analizę i porządkowanie danych w znacznie szerszym zakresie niż dotąd.
Dlatego do pracy w tym projekcie prof. Ideker zaangażował pracujący na Uniwersytecie Kalifornijskim w San Diego zespół Center for Computational Biology and Bioinformatics. Zadaniem tego zespołu było nauczenie sztucznej inteligencji MuSIC tego, jak analizować dane i skonstruować z nich model komórki.
System nie mapuje zawartości komórek, żeby wskazać ich określoną lokalizację – nie prowadzi więc do stabilnego obrazu komórki, takiego jak diagram w podręczniku – po części dlatego, że ich lokalizacje niekoniecznie są ustalone. Zamiast tego lokalizacje komponentów są płynne i zmieniają się w zależności od typu komórki i sytuacji.
Jak dotąd, system MuSIC przeanalizował 661 białek w tylko jednym rodzaju komórki. To więc dopiero początek badań i prof. Ideker podkreśla, że pierwsza publikacja to bardziej pilot możliwości badawczych systemu. Jeżeli to podejście badawcze zostanie dobrze przyjęte i okaże się naprawdę skuteczne, to przed nim całe morze możliwości – najpierw opisanie jednej komórki ludzkiego organizmu, potem różnych typów komórek, a w końcu także wyjście dalej i badanie innych gatunków. Wszystko po to, żeby nauczyć się rozróżniać zdrową i chorą komórkę i zrozumieć skąd biorą się różnego rodzaju schorzenia.
Badania źródłowe: Trey Ideker, A multi-scale map of cell structure fusing protein images and interactions, Nature (2021). DOI: 10.1038/s41586-021-04115-9.
Podstawa opracowania i źródło grafiki - artykuł We might not know half of what's in our cells, new AI technique reveals opublikowany na stronie internetowej UC San Diego Health.
