Nyílt szöveti atlasz segítheti a mesterséges intelligenciát a rák kutatásában

A sejtek elrendezése is fontos a daganatok vizsgálatában

A daganatok kutatásakor az orvosoknak és a tudósoknak nemcsak azt kell látniuk, milyen sejtek vannak jelen egy szövetben. Az is fontos, hogyan helyezkednek el egymáshoz képest, és miként lépnek kapcsolatba egymással. A ráksejtek és a környező immunsejtek közötti viszonyok például információt adhatnak a betegség kialakulásáról és a kezelésre adott válaszról.

Ezeknek a kapcsolatoknak a vizsgálatát támogatja a térbeli proteomika. A technológia több tucat fehérje jelenlétét méri úgy, hogy közben megőrzi azok helyét a szövetben. Mivel a fehérjék fontos szerepet játszanak a sejtek működésének szabályozásában, az így készült képek a normális és a beteg szövetek működéséről is részletes képet adhatnak.

Több mint 13 ezer kép öt képalkotási technológiából

A különböző kutatólaboratóriumok eltérő berendezéseket használnak, más fehérjéket vizsgálnak, és különböző módon tárolják az eredményeket. Emiatt az adatok összevonása időigényes, ami a nagy adathalmazokra épülő kutatásokat és a mesterséges intelligencia tanítását is megnehezíti.

Az EPFL Charlotte Bunne mesterségesintelligencia-kutatócsoportja, az Artificial Intelligence in Molecular Medicine vezetésével fejlesztette ki a spora atlaszt. Az EMBL Európai Bioinformatikai Intézetével közösen közzétett gyűjtemény 13 546 multiplex képet tartalmaz 5477 betegről. Az adatok 14 szöveti eredetet és öt képalkotási technológiát fednek le.

Amennyiben rendelkezésre állnak, az atlasz a szövettani képeket is összekapcsolja a molekuláris mérésekkel. Ezek azok a képek, amelyeket a rutin patológiai vizsgálatokban használnak. A spora létrehozása két évig tartott, és az EPFL, a Zürichi Egyetemi Kórház, a Zürichi Egyetem, a Genfi Egyetemi Kórházak, valamint a Genfi Egyetem kutatóinak és biomedicinális szakértőinek munkáját igényelte.

A csapat több ezer képet rendszerezett, egységesítette a fehérjék jelöléseit, összehangolta az egészségügyi adatokat, és azonosította az egyes sejteket. Benedikt von Querfurth, az EPFL doktorandusza és a tanulmány első szerzője szerint az adatok különböző betegcsoportokból való összegyűjtése és harmonizálása óriási időráfordítást igényel. Mint fogalmazott, a kutatók azt szeretnék elérni, hogy a szakemberek használatra kész adatokkal kezdhessenek dolgozni, és a modellekre, valamint a biológiai kérdésekre összpontosíthassanak.

A platform az AI-modellek összehasonlítását is segíti

A spora megőrzi az eredeti tanulmányokra és azok jelöléseire mutató kapcsolatokat. Látható marad az is, hogy az egyes vizsgálatok milyen fehérjéket mértek, milyen képalkotási körülményeket használtak, és milyen klinikai adatok álltak rendelkezésre. Így a kutatók eldönthetik, mely adathalmazok illenek leginkább a saját kérdéseikhez.

Az atlasz mellett a platform eszközöket kínál az adatok eléréséhez és elemzéséhez, mesterségesintelligencia-modellek fejlesztéséhez, valamint a modellek különböző tanulmányokon való értékeléséhez. Lukas Klein, az EPFL és a Zürichi Egyetemi Kórház posztdoktori kutatója szerint egy modell jól teljesíthet egyetlen vizsgálaton belül, miközben nehézségekbe ütközhet, ha megváltozik a betegek köre, a laboratórium vagy a mérési technológia.

Az EPFL közlése szerint a megosztott adathalmazok és értékelési protokollok lehetővé teszik ezeknek az eltéréseknek a módszeres vizsgálatát. A spora jelenleg főként a rákkutatásra összpontosít, de a fejlesztők további szövetekkel, betegségekkel és képalkotási technológiákkal bővítenék. Charlotte Bunne célja, hogy a több ezer szövetmintából származó ismeretek egyéni betegek számára is hasznosíthatóvá váljanak, például a betegség várható alakulásának és a leginkább megfelelő kezelések előrejelzésében.

A projekt a National AI Initiative for Precision Oncology részeként készült. A spora közös adatbázist biztosít a multimodális szövetbiológiai kutatáshoz, az azt kísérő mesterségesintelligencia-modelleket pedig a Swiss AI Initiative nagy számítási erőforrásaival tanították.