Sztuczna inteligencja prześciga ekspertów w prognozowaniu jakości organoidów
Organoidy: Rewolucja w medycynie i badaniach
Organoidy, zwane także “mini-narządami”, to tkanki hodowane w laboratorium, które odwzorowują strukturę i funkcję prawdziwych narządów. Dzięki ich zastosowaniom w medycynie regeneracyjnej, odkrywaniu leków i badaniach podstawowych, stanowią klucz do wielu przełomowych odkryć. Jednak ich hodowla jest czasochłonna, kosztowna i wymaga precyzyjnego monitorowania.
Naukowcy z Kyushu University i Nagoya University w Japonii stworzyli model oparty na sztucznej inteligencji (AI), który może przewidywać rozwój organoidów na wczesnym etapie. Wyniki ich badań, opublikowane w „Communications Biology” 6 grudnia 2024 roku, pokazują, że model ten przewyższa doświadczonych badaczy pod względem szybkości i dokładności, co może znacząco zredukować koszty i czas hodowli organoidów.
Badania skupiono na organoidach podwzgórzowo-przysadkowych, które naśladują funkcje przysadki mózgowej, takie jak produkcja adrenokortykotropiny (ACTH) – hormonu kluczowego dla regulacji stresu, metabolizmu, ciśnienia krwi i stanów zapalnych. Niedobór ACTH może prowadzić do zmęczenia, anoreksji, a nawet stanów zagrożenia życia.
Jednym z wyzwań w hodowli organoidów jest ocena, czy rozwijają się one prawidłowo. Naukowcy zidentyfikowali, że szeroka ekspresja białka RAX na wczesnym etapie rozwoju koreluje z wysoką jakością organoidów, zdolnych do efektywnej sekrecji ACTH. Jednak w organoidach przeznaczonych do przeszczepów nie można zastosować modyfikacji genetycznych do śledzenia fluorescencji RAX, co sprawia, że ocena jakości wymaga wprawnego oka i jest podatna na błędy.
Sztuczna inteligencja przewyższa ludzkie oko
Z pomocą przyszły zaawansowane modele deep learning – EfficientNetV2-S i Vision Transformer – trenowane na obrazach organoidów. Modele zostały połączone w model zespołowy, który osiągnął 70% dokładności w klasyfikacji jakości organoidów na podstawie obrazów wykonanych w świetle białym. Dla porównania, doświadczeni badacze osiągnęli mniej niż 60% dokładności.
Co istotne, model zespołowy z powodzeniem przewidywał jakość organoidów także w przypadkach, gdy nie stosowano fluorescencji RAX, a wyniki potwierdzono poprzez dalszą hodowlę i analizy biochemiczne.
Przyszłość technologii w hodowli organoidów
Naukowcy planują zwiększyć dokładność modelu poprzez trenowanie go na większych zbiorach danych. Już teraz jednak technologia ta może zrewolucjonizować badania nad organoidami. Dzięki AI można szybko i precyzyjnie selekcjonować wysokiej jakości organoidy do przeszczepów i modelowania chorób, jednocześnie redukując koszty i czas hodowli.
“To przełom w hodowli organoidów” – podsumowuje dr Hidetaka Suga, współautor badań. – „Dzięki naszej technologii możemy znacząco zwiększyć skuteczność badań i poprawić jakość zastosowań klinicznych.”
Źródło: Communications Biology (A deep-learning approach to predict differentiation outcomes in hypothalamic-pituitary organoids), Kyushu University
