Eksperci z ETH Zurich, Uniwersytetu w Zurychu i Szpitala Uniwersyteckiego w Zurychu wykorzystali uczenie maszynowe, aby wspólnie stworzyć innowacyjną metodę, która pozwala przewidzieć, jak poszczególne komórki reagują na określone metody leczenia, dając nadzieję na dokładniejsze diagnozy i metody terapeutyczne.
Rak jest wywoływany przez zmiany w komórkach, które prowadzą do proliferacji patogennych komórek nowotworowych. Aby znaleźć najskuteczniejszą kombinację i dawkowanie leków, korzystne jest, aby lekarze mogli zajrzeć do wnętrza organizmu i określić, jaki wpływ leki będą miały na poszczególne komórki.
Interdyscyplinarny zespół badawczy składający się z biomedyków i informatyków z ETH w Zurychu, Uniwersytetu w Zurychu i Szpitala Uniwersyteckiego w Zurychu opracował model uczenia maszynowego, który umożliwia modelowanie i przewidywanie takich zmian komórkowych i skutków leków ze znacznie większą dokładnością i niuansami niż w przypadku zanim.
W walce z rakiem kluczowe znaczenie ma szczegółowe zrozumienie zachowania poszczególnych komórek w stosunku do leku. W końcu w idealnym przypadku lek powinien niszczyć tylko komórki nowotworowe. Jeśli jednak działanie leku jest znane jedynie jako średnia statystyczna większej populacji komórek, analiza działania leku może nie wykazać, że niektóre komórki nowotworowe przeżywają lek ze względu na swój charakter lub uzyskaną oporność, a rak będzie się nadal rozprzestrzeniać.
Naukowcy z Zurychu opracowali pionierskie podejście, które uwzględnia odmienne reakcje, jakie mogą wykazywać poszczególne komórki na lek w większej populacji. Zrozumienie zmienności komórek ma kluczowe znaczenie dla opracowania skuteczniejszych terapii przeciwnowotworowych.
– Różnorodność w grupie komórek w ogromnym stopniu wpływa na ich wrażliwość lub odporność na zmiany. Zamiast opierać naszą wiedzę na średniej reakcji grupy komórek, nasza metoda może precyzyjnie opisać – a nawet przewidzieć – jak każda komórka reaguje na zakłócenia, np. spowodowane przez lek – wyjaśnia Gunnar Rätsch, profesor informatyki biomedycznej w ETH Zurich i dyrektor ds. Szpital Uniwersytecki w Zurychu.
Naukowcy nazywają reakcje molekularne, za pomocą których komórki reagują na wpływy chemiczne, fizyczne lub genetyczne, zaburzeniami. Takie zaburzenia zmieniają dotknięte komórki i mogą na przykład spowodować ich śmierć. Wpływ danego leku na komórkę nowotworową można również postrzegać jako zaburzenie.
Zrozumienie, które komórki nowotworowe reagują na lek i identyfikacja cech tych, które tworzą oporność na lek, ma kluczowe znaczenie dla opracowania nowych podejść i strategii leczenia. Takie nowe metody leczenia mogłyby skuteczniej hamować wzrost komórek, a nawet powodować śmierć komórek chorobotwórczych.
W swoim badaniu opublikowanym w bieżącym numerze Nature Methods naukowcy wykazali, że ich metoda działa nie tylko na komórki nowotworowe, ale także na inne komórki patogenne – m.in. w przypadku tocznia rumieniowatego. Tej chorobie autoimmunologicznej zazwyczaj towarzyszy czerwona wysypka i może prowadzić do zapalenia klatki piersiowej, serca lub żeber.
Kolejną kluczową innowacją wynikającą z tego badania jest możliwość przewidywania: badacze z Zurychu nazwali swoją nową metodę uczenia maszynowego CellOT . Oprócz oceny istniejących danych pomiarowych komórek i tym samym poszerzenia wiedzy na temat reakcji na zaburzenia komórkowe, CellOT może również przewidzieć, jak poszczególne komórki zareagują na zaburzenie, którego reakcje nie zostały jeszcze zmierzone w laboratorium.
Nowa metoda toruje zatem drogę do bardziej ukierunkowanych i spersonalizowanych terapii: prognozy pozwalają przewidzieć wpływ zaburzeń na niewidoczne komórki, a tym samym wskazują, jak dobrze komórki pacjenta reagują na dany lek. Zanim podejście to będzie można zastosować w warunkach szpitalnych, nadal wymagane są kompleksowe badania kliniczne. Obecnie badacze wykazali zdolność tej metody do zapewniania bardzo dokładnych przewidywań.
Uczenie maszynowe umożliwiło takie przewidywania. W przypadku CellOT naukowcy wykorzystują nowatorskie algorytmy uczenia maszynowego i trenują je zarówno na podstawie danych z komórek niezakłóconych, jak i danych z komórek, które uległy zmianie pod wpływem reakcji na zakłócenia. W trakcie tego procesu algorytm uczy się, jak powstają reakcje na zaburzenia komórkowe, jak postępują i jakie są prawdopodobne fenotypy zmienionych stanów komórek.
Informatycy z ETH ściśle współpracowali z grupą badawczą kierowaną przez Lucasa Pelkmansa, profesora biologii układów komórkowych na Uniwersytecie w Zurychu. Gabriele Gut, poprzednio doktor habilitowana w laboratorium Pelkmansa, a obecnie starszy naukowiec w Klinice Onkologii Medycznej i Hematologii Szpitala Uniwersyteckiego w Zurychu, zmierzyła specyficzne zmiany komórkowe za pomocą techniki zwanej obrazowaniem białek multipleksowych 4i.
– CellOT szczególnie dobrze sprawdza się w przypadku danych uzyskanych tą techniką – podkreśla Pelkmans. Ponadto naukowcy uzyskali dane dotyczące RNA pojedynczych komórek z publicznych baz danych.
– Z matematycznego punktu widzenia nasz model uczenia maszynowego opiera się na założeniu, że komórki zmieniają się stopniowo pod wpływem zakłóceń – mówi Charlotte Bunne, która wraz ze Stefanem Starkiem i Gabriele Gut jest główną autorką badania i pracuje nad doktoratem pod kierunkiem Andreas Krause, profesor informatyki i przewodniczący Centrum AI ETH.
Obszarem badawczym Bunne jest uczenie maszynowe. Wyjaśnia, że „te stopniowe zmiany w stanach komórek można dobrze opisać i przewidzieć, korzystając z matematycznej teorii optymalnego transportu”.
Transport optymalny (OT) to dziedzina matematyki, w której profesor matematyki ETH Alessio Figalli zdobył Medal Fieldsa 2018.
W ciągu ostatnich czterech lat teoria transportu optymalnego w znacznym stopniu przyczyniła się do wyjaśnienia reakcji na zaburzenia komórkowe.
CellOT to obecnie pierwsze podejście wykorzystujące optymalny transport i uczenie maszynowe do przewidywania reakcji komórek na zakłócenia na podstawie nowych próbek.
– Ustalone metody OT nie pozwalają na prognozowanie poza próbą lub poza pomiarem. Ale to jest dokładnie to , co potrafi CellOT – mówi Bunne.
Źródło: materiały ETH Zurich, zdjęcie zajawka: Volodymyr Hryshchenko/Unsplash
Zostaw komentarz
You must be logged in to post a comment.