Forscher der School of Computer Science der Carnegie Mellon University haben eine Methode entwickelt, die künstliche Intelligenz nutzt, um die Untersuchung von Zellen zu verbessern und Wissenschaftlern dabei helfen könnte, Krankheiten besser zu verstehen und schließlich zu behandeln.
Bilder von Organ- oder Gewebeproben enthalten Millionen von Zellen. Und obwohl die In-situ-Analyse dieser Zellen ein wichtiger Teil der biologischen Forschung ist, machen solche Bilder es nahezu unmöglich, einzelne Zellen zu identifizieren, ihre Funktion zu bestimmen und ihre Organisation zu verstehen. Eine Technik namens räumliche Transkriptomik rückt diese Zellen in den Fokus, indem sie Bildgebung mit der Fähigkeit kombiniert, die Menge der Gene in jeder Zelle zu quantifizieren. Dies gibt Forschern die Möglichkeit, mehrere wichtige biologische Mechanismen im Detail zu untersuchen, von der Art und Weise, wie Immunzellen Krebs bekämpfen, bis hin zu den zellulären Auswirkungen von Drogen und Alter.
Vielen aktuellen räumlichen Transkriptomik-Plattformen fehlt noch immer die Auflösung, die für eine genauere und detailliertere Analyse erforderlich ist. Diese Technologien gruppieren Zellen oft in Clustern, die bei jeder Messung mehrere bis 50 Zellen umfassen. Diese Auflösung mag für gut dargestellte große Zellen ausreichend sein, ist jedoch für kleine oder nicht gut dargestellte Zellen problematisch. Diese seltenen Zellen können für die untersuchte Krankheit oder den untersuchten Zustand am kritischsten sein.
In einem neuen Artikel veröffentlicht in NaturmethodenDie Forscher der Abteilung für Computational Biology, Hao Chen, Dongshunyi Li und Ziv Bar-Joseph, haben eine Methode vorgestellt, die künstliche Intelligenz nutzt, um die neuesten Technologien der räumlichen Transkriptomik zu erweitern.
Die CMU-Forschung konzentriert sich auf neuere Technologien, die Bilder in einem viel kleineren Maßstab erzeugen und eine subzelluläre Auflösung (oder mehrere Messungen pro Zelle) ermöglichen. Diese Techniken lösen zwar das Auflösungsproblem, stellen aber auch neue Herausforderungen dar, da die resultierenden Bilder so nah beieinander sind, dass pro Bild nicht 15 bis 50 Zellen, sondern nur wenige Gene erfasst werden. Diese Umkehrung des vorherigen Problems führt zu Schwierigkeiten bei der Identifizierung der einzelnen Komponenten und bei der Bestimmung, wie diese Messungen zu gruppieren sind, um mehr über bestimmte Zellen zu erfahren. Es verschleiert auch das große Ganze.
Der von den CBD-Forschern entwickelte Algorithmus namens „Subzelluläre räumliche Transkriptomik-Zellsegmentierung“ (SCS) nutzt KI und fortschrittliche tiefe neuronale Netze, um Zellen und ihre Bestandteile adaptiv zu identifizieren. SCS verwendet Transformatormodelle, ähnlich denen, die von großen Sprachmodellen wie ChatGPT verwendet werden, um Informationen aus der Umgebung jeder Messung zu sammeln. So wie ChatGPT den gesamten Kontext eines Satzes oder Absatzes zur Wortvervollständigung nutzt, ergänzt die SCS-Methode fehlende Informationen für eine bestimmte Messung, indem sie Informationen aus den Zellen um sie herum einbezieht.
Bei der Anwendung auf Bilder von Gehirn- und Leberproben mit Hunderttausenden Zellen identifizierte SCS den genauen Ort und Typ jeder Zelle genau. SCS identifizierte außerdem mehrere Zellen, die von aktuellen Analyseansätzen übersehen wurden, etwa seltene und kleine Zellen, die bei bestimmten Krankheiten oder Prozessen, einschließlich Alterung, eine entscheidende Rolle spielen könnten. SCS lieferte auch Informationen über die Position von Molekülen innerhalb von Zellen und verbesserte so die Auflösung, mit der Forscher die Zellorganisation untersuchen können, erheblich.
„Die Möglichkeit, die neuesten Fortschritte in der KI zu nutzen, um die Untersuchung des menschlichen Körpers zu unterstützen, öffnet die Tür zu mehreren nachgelagerten Anwendungen der räumlichen Transkriptomik zur Verbesserung der menschlichen Gesundheit“, sagte Ziv Bar-Joseph, FORE-Systemprofessor für maschinelles Lernen und Computational Biologie an der CMU. Solche nachgelagerten Anwendungen werden bereits von mehreren großen Konsortien untersucht, darunter dem Human BioMolecular Atlas Program (HuBMAP), das räumliche Transkriptomik nutzt, um eine detaillierte 3D-Karte des menschlichen Körpers zu erstellen.
„Durch die Integration modernster Biotechnologie und KI trägt SCS dazu bei, mehrere offene Fragen zur Zellorganisation zu klären, die für unsere Fähigkeit, Krankheiten zu verstehen und letztendlich zu behandeln, von entscheidender Bedeutung sind“, fügte Hao Chen, ein Lane-Postdoktorand im CBD, hinzu.
SCS ist kostenlos verfügbar unter GitHub.
Mehr Informationen:
Hao Chen et al., SCS: Zellsegmentierung für hochauflösende räumliche Transkriptomik, Naturmethoden (2023). DOI: 10.1038/s41592-023-01939-3