Inżynierowie MIT wykorzystują głębokie uczenie do przewidywania wczesnego rozwoju zarodka komórka po komórce

Tajemnica tego, w jaki sposób komórki łączą się, tworząc tkanki i narządy na najwcześniejszych etapach życia, od dawna zastanawia biologów rozwojowych. To jak obserwowanie skomplikowanego tańca aktywności komórkowej, gdy komórki przesuwają się, dzielą i rosną w starannie skoordynowanym procesie. W tym fascynującym tańcu inżynierowie z MIT dostrzegli okno - w rozwoju embrionalnym.

Pionierskie prace nad predykcyjnymi modelami komórkowymi

Zespół z MIT wniósł kluczowy wkład w tej dziedzinie, tworząc metodę przewidywania zachowania poszczególnych komórek na najwcześniejszym etapie rozwoju zarodka muszki owocowej. Metoda ta, opisana w artykule badanie opublikowane w Nature Methods, śledzi komórki minuta po minucie i może być potencjalnym przełomem w zrozumieniu rozwoju bardziej złożonych organizmów. Może również okazać się instrumentalny w identyfikacji wczesnych oznak chorób, takich jak astma i rak.

Inżynierowie zaprojektowali model głębokiego uczenia się, który może analizować filmy o wysokiej rozdzielczości przedstawiające zarodki muszki owocowej, z których każdy zaczyna się jako skupisko około 5000 komórek. Model ten przewiduje, w jaki sposób każda komórka składa się, dzieli i rekonfiguruje podczas kluczowej pierwszej godziny rozwoju embrionalnego. Zespół badawczy nazwał tę początkową fazę ‘gastrulacją’, w której poszczególne komórki zmieniają się w skali minuta po minucie. Ming Guo, profesor nadzwyczajny inżynierii mechanicznej na MIT i współautor badania, zauważył, że modelowanie tego okresu umożliwia dokładne zrozumienie, w jaki sposób lokalne interakcje komórek przyczyniają się do tworzenia globalnych tkanek i organizmów.

Co imponujące, model zapewnił dokładność 90% przy przewidywaniu dynamicznych zachowań poszczególnych komórek. Daje to bezprecedensowy wgląd w to, jak pozornie jednolity zarodek zaczyna rozwijać unikalne struktury. Oprócz muszek owocowych, zespół widzi również potencjał w zastosowaniu tego modelu do innych gatunków, w tym danio pręgowanego i myszy, w celu zidentyfikowania uniwersalnych wzorców w rozwoju embrionalnym.

Rewolucja w wykrywaniu i leczeniu chorób

Innowacyjny model może również okazać się kluczowy dla zrozumienia nieprawidłowego tworzenia się tkanek związanego z chorobami. Według Haiqian Yang, absolwentki MIT i współautorki badania, tkanki astmatyczne wykazują różną dynamikę komórek, gdy są obrazowane na żywo, a model może uchwycić te subtelne różnice dynamiczne. Taka kompleksowa reprezentacja zachowania tkanek może potencjalnie poprawić diagnostykę lub testy przesiewowe leków.

W dziedzinie, w której naukowcy tradycyjnie modelują rozwój embrionalny jako chmurę punktów, postrzegając każdą komórkę jako poruszający się punkt, lub jako pianę, w której komórki są reprezentowane jako przesuwające się bąbelki, Guo i Yang zdecydowali się połączyć oba modele. W ten sposób udało im się stworzyć podwójną strukturę graficzną, która pozwala modelowi śledzić szczegółowe właściwości, takie jak lokalizacja jądra komórki, jej interakcja z sąsiednimi komórkami oraz to, czy w danym momencie się składa, czy dzieli.

Testowanie modelu

Do szkolenia modelu naukowcy wykorzystali rzadkie filmy o wysokiej rozdzielczości przedstawiające gastrulację muszki owocowej dostarczone przez University of Michigan. Następnie, wykorzystując trzy z tych filmów do treningu, przetestowali model na czwartym. Wynik był znakomity: model dokładnie przewidział nie tylko zmiany w każdej komórce, ale także czas, co do minuty.

Pomimo gotowości modelu do szerszego zastosowania w innych systemach wielokomórkowych, w tym w tkankach ludzkich, głównym wyzwaniem jest uzyskanie wysokiej jakości danych. Guo wyraził optymizm, stwierdzając, że gdyby mogli uzyskać dostęp do wysokiej jakości danych dotyczących określonych tkanek, model ten mógłby przewidzieć rozwój wielu innych struktur.

To przełomowe badanie, wspierane częściowo przez amerykańskie Narodowe Instytuty Zdrowia, zapowiada rewolucję w biologii i medycynie. Dowiedz się więcej na ten temat, czytając oryginalny artykuł na MIT News.