Organoidi, takođe poznati kao „mini-organi“, bitni su za regenerativnu medicinu, pronalazak lekova i bazično istraživanje. Sada modeli dubokog učenja mogu da predvide da li se organoidi razvijaju pravilno.
Organoidi – minijaturna, laboratorijski napravljena tkiva koja imitiraju funkciju i strukturu organa – transformišu biomedicinsko istraživanje. Obećavaju napredak u personalizovanim transplantatima, poboljšano modeliranje bolesti kao što su Alchajmerova i kancer, i preciznije uvide u efekte medicinskih lekova.
Istraživači iz Univerziteta Kjušu i Univerziteta Nagoja u Japanu razvili su model koji pomoću veštačke inteligencije (AI) predviđa razvoj organoida u ranom stadijumu. Taj model, koji je brži i precizniji od eksperata, mogao bi unaprediti efikasnost i smanjiti cenu uzgajanja organoida.
Istraživači su se fokusirali na predviđanje razvoja hipotalamusno-hipofiznih organoida, koji imitiraju funkcije hipofize, uključujući proizvodnju adrenokortikotropnog hormona (ACTH) – bitnog za regulisanje stresa, metabolizma, krvnog pritiska i zapaljenja. Deficit ACTH može dovesti do iscrpljenosti, anoreksije i drugih problema koji mogu biti opasni po život.
„Naša istraživanja na miševima pokazuju da transplantacija hipotalamusno-hipofiznih organoida ima potencijal da tretira deficit ACTH kod ljudi“, kažu autori studije.
Međutim, jedan bitan izazov za istraživače je utvrđivanje da li se organoidi razvijaju kako treba. Osetljivi su na sićušne promene u okolini, što dovodi do varijabilnosti u njihovom razvoju i konačnom kvalitetu.
Istraživači su otkrili da jedan znak uspešnog napretka predstavlja široka ekspresija proteina zvanog RAX u ranoj fazi razvoja, što često dovodi do organoida sa jakom sekrecijom ACTH kasnije.
„Možemo pratiti razvoj tako što genetski modifikujemo organoide da prave fluorescentan RAX protein. Međutim, organoidi namenjeni za kliničku upotrebu, poput transplantacije, ne mogu biti genetski modifikovani da svetle. Tako istraživači moraju suditi na osnovu onoga što vide svojim očima, a što zahteva mnogo vremena i nije precizno“, kažu autori.
Foto: Pixabay
Stoga su modeli dubokog učenja obučavani za taj posao. Modeli dubokog učenja su vrsta AI koja imitira način na koji ljudski mozak procesuira informacije, omogućavajući analizu i kategorizaciju velikih količina podataka putem prepoznavanja obrazaca.
Istraživači su zabeležili i fluorescentne slike i slike dobijene metodom jarkog polja – koje pokazuju kako organoidi izgledaju pod normalnom belom svetlošću bez ikakve fluorescencije – organoida sa fluorescentnim RAX proteinima u 30. danu razvoja.
Pomoću fluorescentnih slika, klasifikovali su 1.500 slika dobijenih metodom jarkog polja u tri kvalitativne kategorije: A (široka RAX ekspresija, visok kvalitet), B (srednja RAX ekspresija, srednji kvalitet) i C (uska RAX ekspresija, nizak kvalitet).
Zatim su dva napredna modela dubokog učenja – EfficientNetV2-S i Vision Transformer, koje je Gugl razvio za slikovno prepoznavanje – trenirana da predviđaju kategoriju kvaliteta organoida. Nalon te obuke, dva modela su spojena u jedan model radi boljeg učinka. Optimizovani kombinovani model je klasifikovao slike organoida sa tačnošću od 70%.
Nasuprot tome, kad su istraživači sa višegodišnjim iskustvom predviđali kategorije istih slika – njihova tačnost je bila manja od 60%. Modeli dubokog učenja su nadmašili stručnjake u svim pogledima: u preciznosti, senzitivnosti i brzini, kažu autori studije.
Sledeći korak je bila provera da li kombinovani model takođe može tačno da klasifikuje slike organoida dobijene metodom jarkog polja, ali bez genetskog modifikovanja u cilju RAX fluorescencije.
Otkriveno je da organoidi koje je model klasifikovao kao A kvalitet zaista pokazuju visoku RAX ekspresiju. Kad je uzgajanje nastavljeno, ti organoidi su kasnije imali visoku sekreciju ACTH. Niski nivoi RAX, i kasnije ACTH, viđeni su kod organoida klase C.
„Naš model, dakle, predviđa u ranoj fazi razvoja kakav će biti finalni kvalitet organoida, na osnovu samo vizuelnog aspekta. Koliko znamo, ovo je prvi put da je duboko učenje upotrebljeno za predviđanje budućnosti razvoja organoida“, kažu istraživači.
U planu je unapređenje preciznosti modela dubokog učenja putem obuke na većoj količini podataka. Međutim, čak i na trenutnom nivou preciznosti, model ima velike implikacije po trenutno izučavanje organoida.
„Možemo brzo i lako izabrati visokokvalitetne organoide za modeliranje transplantacije i bolesti, i redukovati vreme i troškove identifikujući i uklanjajući organoide koji se razvijaju manje uspešno. To vodi ka velikim promenama“.
(Telegraf Nauka/EurekAlert)
#Veštačka #inteligencija #bolja #stručnjaka #predviđanju #budućeg #kvaliteta #miniorgana