Stručnjaci sa ETH Ciriha, Univerziteta u Cirihu i Univerzitetske bolnice u Cirihu koristili su mašinsko učenje da zajednički kreiraju inovativnu metodu za predviđanje kako pojedinačne ćelije reaguju na specifične tretmane, nudeći nadu za preciznije dijagnoze i terapije.
Rak se pokreće promenama u ćelijama koje dovode do proliferacije patogenih tumorskih ćelija. Da bi se pronašla najefikasnija kombinacija i doza lekova, korisno je ako lekari mogu da vide unutrašnjost tela, da tako kažem, i odrede kakav će efekat lekovi imati na pojedinačne ćelije.
Interdisciplinarni istraživački tim biomedicinskih i kompjuterskih naučnika sa ETH Ciriha, Univerziteta u Cirihu i Univerzitetske bolnice u Cirihu je sada razvio pristup mašinskom učenju koji omogućava da se takve promene ćelija i efekti lekova modeluju i predvide sa mnogo većom preciznošću i nijansom od pre nego što.
U borbi protiv raka, fino razumevanje ponašanja pojedinačnih ćelija prema leku je ključno. Na kraju krajeva, u idealnom slučaju, lek treba da uništi samo tumorske ćelije. Međutim, ako je efekat leka poznat samo kao statistički prosek veće populacije ćelija, analiza efekta leka možda neće otkriti da određene tumorske ćelije prežive lek zbog svoje prirode ili dobijene rezistencije, a rak će se nastaviti. širiti.
Istraživači iz Ciriha su osmislili pionirski pristup koji prepoznaje različite reakcije koje pojedinačne ćelije mogu imati na lek u okviru veće populacije. Ovo razumevanje varijacije ćelija je ključno za unapređenje efikasnijih tretmana raka.
„Različitost unutar grupe ćelija u velikoj meri utiče na njihovu osetljivost ili otpornost na promene. Umesto da svoje razumevanje zasnivamo na prosečnom odgovoru grupe ćelija, naš metod može precizno da opiše – pa čak i da predvidi – kako svaka ćelija reaguje na poremećaje poput onih iz lek“, objašnjava Gunar Rač, profesor biomedicinske informatike na ETH Cirihu i Univerzitetskoj bolnici u Cirihu.
Istraživači nazivaju perturbacije molekularne reakcije kojima ćelije reaguju na hemijske, fizičke ili genetske uticaje. Takvi poremećaji menjaju zahvaćene ćelije i mogu, na primer, da izazovu njihovu smrt. Efekat koji dati lek ima na ćeliju raka se takođe može posmatrati kao perturbacija.
Razumevanje koje ćelije raka reaguju na lek i identifikovanje osobina onih koje formiraju otpornost na lek je ključno za razvoj novih pristupa i strategija lečenja. Takvi novi tretmani mogu biti efikasniji u inhibiciji rasta ćelija ili čak izazivanju umiranja patogenih ćelija.
U svojoj studiji, objavljenoj u aktuelnom izdanju Nature Methods zajedno sa istraživačkim brifingom o njihovom radu, istraživači su pokazali da njihov metod deluje ne samo na ćelije raka već i na druge patogene ćelije – na primer, uključujući slučaj eritematoznog lupusa. Ova autoimuna bolest je obično praćena crvenim osipom i može dovesti do upale grudnog koša, srca ili rebara.
Još jedna ključna inovacija koja proizlazi iz ove studije je mogućnost predviđanja: istraživači iz Ciriha svoju novu metodu mašinskog učenja nazivaju CellOT. Pored evaluacije postojećih podataka merenja ćelija i na taj način proširivanja znanja o reakcijama ćelijskih perturbacija, CellOT takođe može predvideti kako će pojedinačne ćelije reagovati na perturbaciju čije reakcije još nisu izmerene u laboratoriji.
Nova metoda tako utire put ka ciljanijim i personalizovanijim tretmanima: predviđanja omogućavaju predviđanje uticaja perturbacije na nevidljive ćelije i na taj način ukazuju na to koliko dobro ćelije pacijenta reaguju na dotični lek. Još uvek su potrebna sveobuhvatna klinička ispitivanja pre nego što se pristup može koristiti u bolničkom okruženju. Trenutno su istraživači pokazali sposobnost metode da pruži veoma precizna predviđanja.
Mašinsko učenje je ono što je omogućilo takva predviđanja. Za CellOT, istraživači koriste nove algoritme mašinskog učenja i obučavaju ih sa podacima iz neometanih ćelija i podacima iz ćelija koje su se promenile nakon odgovora na perturbaciju. U tom procesu, algoritam uči kako nastaju reakcije ćelijske perturbacije, kako one napreduju i verovatne fenotipove izmenjenih stanja ćelije.
ETH kompjuterski naučnici su blisko sarađivali sa istraživačkom grupom koju je predvodio Lukas Pelkmans, profesor biologije ćelijskih sistema na Univerzitetu u Cirihu. Gabriele Gut, ranije postdoktor u Pelkmansovoj laboratoriji, a sada viši naučnik na Klinici za medicinsku onkologiju i hematologiju u Univerzitetskoj bolnici u Cirihu, izmerila je specifične promene ćelija koristeći tehniku koja se zove 4i multipleks proteinska slika. „CellOT posebno dobro radi na podacima dobijenim ovom tehnikom“, ističe Pelkmans. Pored toga, istraživači su dobili jednoćelijske RNK podatke iz javnih baza podataka.
„Matematički gledano, naš model mašinskog učenja zasnovan je na pretpostavci da se ćelije postepeno menjaju nakon perturbacije“, kaže Šarlot Bun, koja je, zajedno sa Stefanom Starkom i Gabrijelom Gut, glavni autor studije i radi na svom doktoratu pod Andreas Krause, profesor računarskih nauka i predsedavajući ETH AI centra. Bunneova oblast istraživanja je mašinsko učenje i ona objašnjava da se „ove postepene promene u stanjima ćelije mogu dobro opisati i predvideti korišćenjem matematičke teorije optimalnog transporta“.
Optimalni transport (OT) je oblast matematike u kojoj je profesor matematike ETH Alesio Figali osvojio Fildsovu medalju 2018. U poslednje četiri godine, teorija optimalnog transporta je mnogo doprinela objašnjavanju odgovora na ćelijske perturbacije.
CellOT je sada prvi pristup koji koristi optimalni transport i mašinsko učenje za predviđanje perturbacionih reakcija ćelija iz novih uzoraka. „Uspostavljene OT metode ne dozvoljavaju predviđanja van uzorka ili van merenja. Ali to je upravo ono što CellOT može da uradi“, kaže Bunne.
