Сибирские ученые создали нейросеть для ускорения анализа клеточных структур
Исследователи из ФИЦ «Институт цитологии и генетики» СО РАН и Научно-исследовательского института клинической и экспериментальной лимфологии — филиала ФИЦ ИЦиГ СО РАН создали нейросеть, которая в 10—15 раз ускоряет анализ контактов между клеточными структурами на модели мышиной меланомы. Инструмент поможет в поиске новых мишеней для терапии рака, автоматизируя работу, на которую у специалистов раньше уходили месяцы.
«Если ранее считалось, что взаимодействие митохондрий и эндоплазматического ретикулума (ЭПР) относительно статично, то современные данные свидетельствуют об их выраженной динамике, модулируемой внешними и внутриклеточными условиями. Клетка изменяет количество контактов и их архитектуру для эффективного обмена сигналами, в том числе обмена кальцием. ЭПР служит его основным хранилищем, и при определенных клеточных потребностях кальций устремляется напрямую в митохондрии через контакты между ними. Нарушение этой регуляции опасно: избыточный приток кальция может запустить программу апоптоза — клеточного самоубийства. Именно этот механизм часто ломается в раковых клетках (например при меланоме), которые подавляют апоптоз. Поэтому места контакта митохондрий и ЭПР могут являться перспективной мишенью для лекарств», — рассказала старший научный сотрудник лаборатории ультраструктурных исследований НИИКЭЛ кандидат медицинских наук Юлия Таскаева.
Для изучения этих контактов в опухолях ученые используют электронную микроскопию, но ручной анализ сотен снимков занимает месяцы. Чтобы решить эту проблему, была создана нейросеть, которая автоматически анализирует изображения. Новый инструмент позволяет сократить время анализа одного изображения с 20—30 до двух минут, что ускоряет процесс в 10—15 раз. На основе созданной нейросети был разработан веб-сервис: пользователь загружает изображение и на выходе получает готовую таблицу со всеми посчитанными данными.
Нейросеть автоматически находит на снимках митохондрии и ЭПР, а затем определяет точки их соприкосновения. Именно подсчет количества этих внутриклеточных органелл, а также контактов и их морфологических характеристик (например длины) и занимал у исследователей больше всего времени при ручном анализе.
«Для обучения нейросети мы использовали изображения, полученные с помощью электронной микроскопии. В качестве образца взяли мышиную меланому. Мы выбрали именно эту опухоль, потому что давно и много с ней работаем — это наша стандартная модель. На тот момент она была самым доступным вариантом, что позволило нам быстро собрать большую базу из сотен фотографий для обучения», — комментирует Юлия Таскаева. Именно для обработки этого массива данных и была разработана техническая часть проекта.
По словам старшего научного сотрудника лаборатории эволюционной биоинформатики и теоретической генетики ФИЦ ИЦиГ СО РАН кандидата биологических наук Михаила Генаева, в этой задаче были использованы достаточно стандартные подходы. «Применялись сверточные нейросети на основе архитектуры U-Net, — говорит ученый. — Она устроена так, что состоит из двух основных частей: энкодера и декодера. Суть в том, что энкодер выполняет задачу сжатия исходного изображения до указанной размерности, а потом из этого небольшого представления декодер выполняет преобразование в оригинальное разрешение. Мы протестировали несколько архитектур, лучший результат показал вариант с блоками внимания. Обучали это всё на учебном кластере с графическими ускорителями».
Главной сложностью при обучении нейросети стало низкое качество исходных изображений или так называемые «шумные» данные. Срез клетки для электронной микроскопии может пройти неровно, оставляя на изображении сколы или пустоты. Кроме того, неидеальная резкость мембран и неочевидные градации цвета на микрофотографиях серьезно затрудняли работу ИИ. Создатели инструмента подчеркивают, что достижение стопроцентной точности не было основной целью, поскольку даже опытные специалисты при ручном подсчете допускают ошибки.
Специалисты отмечают, что метод необходимо тестировать на других типах опухолей и на биологических образцах человека. Чтобы проверить точность, предстоит существенно расширить базу данных изображений, отвечающих требованиям к качеству. Это сложная, но необходимая задача. «Этот метод был создан специально для меланомы и вряд ли будет напрямую применим к другим типам опухолей. Рак — это очень разнородная группа заболеваний. Тем не менее, технические наработки из этого проекта можно будет использовать в будущем», — уточняет Михаил Генаев.
Для подготовки статьи использовались материалы издания «Наука в Сибири»
