A biológiai alapkutatást és a személyre szabott daganatterápiát is segíti szegedi kutatók „beszélgető szoftvere”

A kutatási célú és felhasználóbarát kialakítású, szabadon hozzáférhető Advanced Cell Classifier (ACC v2.0) szoftver mesterséges intelligenciára és digitális képanalitkára épülő algoritmusokkal dolgozik, és újítást hoz az e célra elérhető egyéb programokkal összehasonlítva. A szegedi Horváth Péter és kutatócsoportja által írt képelemző programot bemutató közleményt a rendszerbiológia területének egyik legrangosabb nemzetközi folyóirata, a Cell Systems Filippo Piccinini, Tamas Balassa, et al. Advanced Cell Classifier: user-friendly machine-learning-based software for discovering phenotypes in high-content imaging data. Cell Systems. 2017tette közzé.

Horváth Péter Forrás: MTA SZBK

Képelemzés és kérdezz-felelek játék

A gépi tanulás klasszikus, „passzív” irányzatával ellentétben az ACC v2.0 szoftver nem azt várja, hogy a szakember „mondja el” a tudását a gépnek, hanem aktív kommunikációt valósít meg a biológussal vagy a patológussal. Az elemzett képi adatok alapján a program intelligens kérdéseket tesz fel, és a kapott válaszokat beépíti saját tudástárába, így egyre növekvő pontossággal képes elemezni a rendelkezésre álló képadatokat.

„Röviden azt mondhatjuk, hogy az általunk írt képelemző program megpróbálja megtanulni, hogyan reprezentálja a szakember a tudást, vagyis mik azok a kulcsfontosságú jellemzők, amelyek a leginkább meghatározzák a döntéseit” – magyarázta Horváth Péter, az MTA Szegedi Biológiai Kutatóközpont Biokémiai Intézetéhez tartozó Szintetikus és Rendszerbiológiai Egység tudományos főmunkatársa. A program kommunikációja elsősorban a nehezen elkülöníthető sejttípusok osztályozását irányító emberi döntések összegyűjtését célozza. Így például, ha egy vizsgált sejt a szoftver által azonosított jellemzők alapján a már ismert „A” és „B” típus határvonalán helyezkedik el, akkor a program intelligens kérdésfeltevéssel „kideríti”, mi az a specifikus vonás, ami szerint a biológus/patológus elkülöníti és a megfelelő kategóriába (osztályba) sorolja a sejtet. A kapott információ megjegyzésével a későbbiekben már az összes hasonló sejtről képes lesz döntést hozni a program.

A kommunikációsorozat végeredményeként alkalmassá válik arra, hogy potenciálisan új sejttípuskat fedezzen fel sok millió mikroszkópos kép többmilliárdnyi sejtje között – olyanokat, amelyek az analízis klasszikus módszereivel valószínűleg rejtve maradnának az emberi szem előtt. A minden eddiginél mélyrehatóbb, sejtszintű mikroszkópos adatelemzés persze nem jelenti azt, hogy a szakember idővel feleslegessé válna, hiszen a program által felfedezett új fenotípusok diagnosztikai és terápiás jelentőségének értékeléséhez továbbra is nélkülözhetetlen ez a fajta szaktudás.

Segítség a személyre szabott daganatterápiában

A Zürichi Gyermekklinikával együttműködésben a Viktoras Frismantas et al. Ex vivo drug response profiling detects recurrent sensitivity patterns in drug-resistant acute lymphoblastic leukemia. Blood. 2017szoftver alkalmazásának tesztelése zajlik, és az eredmények azt jelzik, hogy hathatósan segíti a célzott terápiát. Akut limfoid leukémiában szenvedő betegek (n=68) vérmintáit csontvelői őssejtekkel kombinálva a kutatók olyan kísérleteket dolgoztak ki, amelyek alkalmasak a tumorsejtek gyógyszerérzékenységének vizsgálatára.

Minden egyes mintán 60-féle hatóanyagot teszteltek (zömmel engedélyezett gyógyszereket, de preklinikai fejlesztés alatt álló vegyületeket is), és a gyógyszerhatást mikroszkópos képelemzéssel követték. Jóllehet az élő emberi sejtek kvantitatív mikroszkópos vizsgálata hagyományosan nagyon nehezen kivitelezhető, az ACC v2.0 szoftver segítségével a kutatók megbízható kvantitatív eredményt tudtak a mintákból leszűrni. A program képet adott arról, milyen arányban élték túl a kezelést a leukémiás, illetve a csontvelői őssejtek. Ez lehetőséget ad a gyógyszeres kezelés optimalizálására úgy, hogy a rosszindulatúan átalakult fehérvérsejtek elpusztítása mellett a lehető legnagyobb mértékben védjék a csontvelői őssejteket. Az így nyert információk kiemelt jelentőséggel bírnak a terápiarezisztencia klasszikus eseteiben. „Orvosi szempontból kulcsfontosságú, hogy az általunk írt új szoftver segíti a személyre szabott kezelést, míg informatikai szemszögből áttörésnek tekintjük, hogy a mesterséges intelligencia segítségével sikerült megoldást találnunk egy egészen komplex mikroszkópos problémára” – nyilatkozta Horváth Péter, a Blood című folyóiratban szintén frissen publikált kutatásról.

Az új képanalitikai program Simon G. Pfisterer et al. Role for formin-like 1-dependent acto-myosin assembly in lipid droplet dynamics and lipid storage. Nature Communications. 2017 [PDF]gyakorlati felhasználásának egy másik példájaként Horváth Péter a finnországi csoportjának egy kutatási együttműködését is bemutatta, amely a lipidek sejten belüli viselkedésének jellemzésére, és ezen keresztül a lipidtárolási zavarok molekuláris hátterének jobb megismerésére irányult. Ebben az esetben a sejten belüli lipidcseppek számának, méretének és dinamikájának leírására használták az intelligens képelemzést. „Ezzel az új mikroszkópos eljárással nagyon gyorsan tudtuk monitorozni a lipideket és változásaikat a sejtben” – körvonalazta Horváth Péter a felhasználás lehetőségeit. Az eredményt a Nature Communications közölte 2017 márciusában.