Машинное обучение помогает ученым измерить важный процесс воспаления

Машинное обучение помогает ученым измерить важный процесс воспаления
                Сканирующее электронное микроскопическое изображение СЕТЕЙ, поглощающих грибковые клетки (Candida albicans) в легких инфицированных мышей. Предоставлено: Urban и др., Институт Макса Планка.

Воспаление является отличительной чертой многих заболеваний, но количественно определить, как основная биология воспаления способствует возникновению определенных заболеваний, было сложно. Исследователи и коллеги из Медицинской школы UNC впервые сообщают о разработке новой технологии для выявления лейкоцитов, называемых нейтрофилами, которые предназначены для выброса воспалительной ДНК в циркуляцию посредством процесса, называемого NETosis.
                                                                                       

Результаты, опубликованные в Scientific Reports, отмечают, что ученые впервые использовали инструменты машинного обучения для быстрого количественного и качественного анализа клеток в фундаментальной науке.

«Этот новый тест позволит исследователям измерять NETosis при различных заболеваниях и тестировать лекарства, которые могут ингибировать или стимулировать процесс», — сказал старший автор, доктор философских наук Лесли Парис, профессор и заведующий кафедрой биохимии UNC. Биофизика.

Когда в наши тела попадают инородные вирусы, такие как вирусы или бактерии, лейкоциты врываются на них различными способами. Один тип белых клеток, нейтрофил, выталкивает свою ДНК в кровоток, чтобы задержать бактерии и вирусы и помочь в их уничтожении, чтобы предотвратить инфекции. Эта нейтрофильная ДНК имеет сетчатый вид и называется Нейтрофильными Внеклеточными Ловушками, или НЕТ. Процесс, с помощью которого эта ДНК внедряется во внеклеточное пространство, называется NETosis. Сообщается, что эти так называемые ДНК-сети способствуют воспалению при многих заболеваниях, таких как аутоиммунное заболевание, сепсис, артрит, рак, серповидно-клеточная анемия и тромбоз.

NETosis может быть активирован различными химическими стимулами, но на глаз конечный NETotic нейтрофил выглядит одинаково. Чтобы помочь отличить нейтрофилы, активируемые различными стимулами и очень быстро, лаборатория Паризе опиралась на машинное обучение, отделение искусственного интеллекта, основанное на идее, что компьютеры могут получать знания посредством данных и наблюдений без явного программирования. Затем компьютеры могут научиться обобщать на примерах и делать прогнозы.

Машинное обучение использовалось для анализа геномики, поиска лекарств, моделирования белковых структур и диагностики заболеваний. В нескольких исследованиях использовались технологии автоматической визуализации с машинным обучением в недиагностических и исследовательских исследованиях, таких как количественное определение клеток в моделях на животных.

«Революция в машинном обучении произошла только в последние несколько лет благодаря быстрому развитию теории параллельных вычислений и математической оптимизации», — сказал соавтор Джошуа Купер, доктор философии, профессор кафедры математики в Университет Южной Каролины. «Большая часть научной работы с использованием этих чрезвычайно мощных инструментов до сих пор была сосредоточена на построении прогностических моделей и, как правило, на очень дорогом оборудовании. Мы показали, что возможно также использовать эти инструменты на обычных аппаратных средствах для развития фундаментальной науки путем автоматизации анализов, ранее требовавших огромных количеств человеческий труд, и путем преобразования качественной биологической морфологии в количественно количественные характеристики. «

Классификация ячеек является трудоемкой, поскольку она опирается на инструменты анализа изображений под строгим контролем и требует постоянного взаимодействия с пользователем. Хотя снижение частоты ошибок и исключительная скорость обучения при машинном обучении могут трансформировать область клеточной визуализации, они не получили широкого распространения в биологических науках, отчасти из-за отсутствия тестирования и валидации таких методов из-за нехватки больших наборов данных для обучения.

Сверточные нейронные сети (CNN) — это алгоритмы глубокого обучения, обычно используемые для распознавания и классификации изображений. Их структура была вдохновлена ​​структурой зрительной коры млекопитающих, функция которой заключается в распознавании образов и вычислении атрибутов сложных объектов.

В статье Scientific Reports первый автор Лайла Эльшериф, доктор философии, и коллеги, включая соавторов Ноа Шиаки из UNC и Джошуа Купер, доктор философии, из Университета Юга Каролина, впервые продемонстрировала возможность создания различных CNN для решения ключевых вопросов, связанных с нейтрофильным NETosis.

Эльшериф, который в настоящее время является преподавателем в университете штата Теннесси, применил эту новую технологию к серповидноклеточной анемии (SCD), потому что хроническое воспаление и гиперкоагуляция являются хорошо известными осложнениями у пациентов с SCD, и считается, что NET являются важными как для воспаления и свертывание крови. Кроме того, предыдущие исследования показали, что плазма от пациентов с ВСС вызывала продукцию НЭТ у нейтрофилов у здоровых людей, что позволило сделать вывод, что НЕТоз связан с патофизиологией ВСС.

Тем не менее, оба исследования использовали суррогатные показатели для NETosis и не измеряли NETosis непосредственно у нейтрофилов, изолированных от пациентов с SCD.

«Наша технология позволяет нам количественно оценивать NETosis у нейтрофилов пациентов с ВСС, у которых у пациентов нет боли и других симптомов, связанных с кризисом», — сказал Эльшериф.

Исследователи применили свою новую технологию, чтобы обнаружить, что один из путей NETosis, по-видимому, отсутствует у обследованных пациентов.

Поделится с друзьями

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *