Ein Nanometer (nm) ist ein Milliardstel Meter und die Breite eines menschlichen Haares beträgt etwa 100.000 nm.
Heutzutage kann künstliche Intelligenz Neuordnungen innerhalb von Zellen erkennen, die nur 20 nm groß sind, also 5.000 Mal kleiner als die Breite eines menschlichen Haares. Diese Veränderungen sind zu klein und subtil, als dass sie von Menschen allein mit herkömmlichen Methoden entdeckt werden könnten.
Kürzlich hat ein Forschungsteam der Southern Medical University und des Barcelona Institute of Science and Technology in Spanien ein Tool für nukleare künstliche Intelligenz (AINU) entwickelt, das spezifische nukleare Merkmale mit einer Auflösung im Nanometerbereich identifizieren kann. Es kann Krebszellen von normalen Zellen unterscheiden und frühe Stadien einer intrazellulären Virusinfektion erkennen.
Limei Zhong, Mitautorin des Artikels und Forscherin am Guangdong Provincial People's Hospital (GDPH) der Southern Medical University, sagte: „Forscher können diese Technologie nutzen, um zu beobachten, wie sich das Virus unmittelbar nach dem Eindringen in den Menschen auf Zellen auswirkt.“ „In Krankenhäusern und Kliniken kann AINU zur schnellen Diagnose von Infektionen anhand einfacher Blut- oder Gewebeproben eingesetzt werden, wodurch der Diagnoseprozess schneller und genauer erfolgt.“ Die Methode „Identifiziert zelluläre Heterogenität mithilfe nanoskaliger Kernmerkmale“ wurde in „Nature Machine Intelligence“ veröffentlicht.
Link zum Artikel: https://www.nature.com/articles/s42256-024-00883-x Nanoskalige Auflösungsmikroskopie
Einzelmolekül-Lokalisierungsmikroskopie (SMLM), insbesondere stochastische optische Rekonstruktionsmikroskopie (STORM), kann die nanoskalige Anordnung von Chromatinfasern in Zellen bestimmen. Aktuelle Methoden zur Analyse der räumlichen Verteilung einzelner Moleküle, wie etwa Clustering-Algorithmen, sind sehr effektiv bei der Extraktion von Kernpositionen und deren lokaler Dichte. Derzeit ist jedoch unklar, wie die räumliche Verteilung und Dichte dieser Moleküle zur Identifizierung zellulärer Zustände genutzt werden kann.
Convolutional Neural Networks (CNN) werden in verschiedenen Bereichen der Bildgebung im Gesundheitswesen häufig eingesetzt. Deep-Learning-Modelle (DL) wurden verwendet, um Ganzzellbilder zu klassifizieren und sie mithilfe der beugungsbegrenzten Mikroskopie zu verfolgen. Darüber hinaus wird Super-Resolution (SR)-Mikroskopie verwendet, um die Lokalisierungsgenauigkeit und semantische Segmentierung während der Datenerfassung zu verbessern, SMLM-Bilder wurden jedoch noch nicht zur Klassifizierung von Zellen anhand der subzellulären Struktur verwendet.
„Gesichtserkennung“ auf molekularer Ebene
Das Entsperren von Smartphones mit Ihrem Gesicht oder selbstfahrende Autos, die die Umgebung durch die Identifizierung von Objekten auf der Straße verstehen und navigieren, nutzen alle Faltungs-Neuronalen Netze.
Im medizinischen Bereich werden Faltungs-Neuronale Netze verwendet, um medizinische Bilder wie Mammographien oder CT-Scans zu analysieren und Anzeichen von Krebs zu identifizieren, die dem menschlichen Auge möglicherweise entgehen. Sie können Ärzten auch dabei helfen, Anomalien in MRT-Scans oder Röntgenbildern zu erkennen und so Diagnosen schneller und genauer zu stellen.
AINU ist ein Faltungs-Neuronales Netzwerk, eine Art KI, die speziell für die Analyse visueller Daten wie Bilder entwickelt wurde. CNN-Architekturen können mit minimalen Trainingsdaten aus der Kernsignaturbildgebung effizient trainiert werden.
AINU scannt hochauflösende Bilder von Zellen, die mit STORM gewonnen werden, einer Technologie, die feinere Details erfasst als herkömmliche Mikroskope. Hochauflösende Schnappschüsse können Strukturen mit einer Auflösung im Nanometerbereich sichtbar machen.
„Die Auflösung dieser Bilder ist hoch genug, damit unsere KI spezifische Muster und Unterschiede, einschließlich Veränderungen in der Anordnung der DNA innerhalb von Zellen, mit erstaunlicher Genauigkeit erkennen kann, was uns hilft, Veränderungen sehr schnell zu erkennen. I Das glauben wir.“ „Diese Art von Informationen könnten Ärzten eines Tages wertvolle Zeit verschaffen, um Krankheiten zu überwachen, Behandlungen zu personalisieren und die Ergebnisse für Patienten zu verbessern“, sagte Professorin Pia Cosma, Mitautorin der Studie vom Institut für Wissenschaft und Technologie in Barcelona, Spanien.
Um die beste CNN-Architektur und ihre Hyperparameter zur Identifizierung somatischer Zellen und humaner induzierter pluripotenter Stammzellen (hiPSCs) auszuwählen, verglichen die Forscher 11 verschiedene CNN-Architekturen und schließlich schnitt DenseNet-121 bei der Identifizierung somatischer Zellen besser ab Vom Menschen induzierte pluripotente Stammzellen (hiPSCs) schnitten mit einer durchschnittlichen Validierungsgenauigkeit von 92,26 und einem durchschnittlichen Verlust von 0,292 am besten ab und wurden für die anschließende Analyse verwendet.
Die Auswahl basierte auf der Modellleistung auf insgesamt 349 nuklearen zweifarbigen STORM-Bildern der Nukleosomen-Kernhistone H3 und Pol II. Fluorophore ausgewählter Moleküle wurden aus menschlichen Körperzellen und hiPSCs verschiedener Körperzelltypen gesammelt und mit 10-facher Vergrößerung relativ zum ursprünglichen Kamerabild in Bilder gerendert.
AINU erkennt und analysiert winzige Strukturen innerhalb von Zellen auf molekularer Ebene. Die Forscher trainierten das Modell, indem sie ihm Bilder der Kerne verschiedener Zelltypen in verschiedenen Zuständen mit nanoskaliger Auflösung zuführten. Das Modell lernte, bestimmte Muster in Zellen zu erkennen, indem es analysierte, wie Bestandteile des Zellkerns im dreidimensionalen Raum verteilt und angeordnet sind.
Par exemple, par rapport aux cellules normales, les cellules cancéreuses présentent des changements évidents dans leur structure nucléaire, tels que des changements dans la façon dont leur ADN est organisé ou dans la répartition des enzymes dans le noyau. Après la formation, l’AINU peut analyser de nouvelles images de noyaux cellulaires et les classer comme cellules cancéreuses ou normales sur la base uniquement de ces caractéristiques.
Illustration : L'AINU formé sur les images Pol II identifie correctement les cellules somatiques et les iPSC. (Source : article)
Révéler les caractéristiques d'identification
Une IA interprétable révèle que la localisation de Pol II dans le nucléole est une caractéristique clé de l'identification par l'AINU des hiPSC.
Détection du HSV-1
La résolution nanométrique des images permet à l'IA de détecter les changements dans le noyau dans l'heure suivant l'infection des cellules par le HSV-1 . Le modèle peut détecter la présence du virus en trouvant des différences subtiles dans la densité de l’ADN.
Applications cliniques
Les chercheurs surmontent les limites pour utiliser cette technologie en milieu clinique.
Accélérer la recherche scientifique
L'AINU identifie avec précision les cellules souches et contribue à accélérer la recherche sur les cellules souches.
Détection des cellules pluripotentes
AINU peut détecter les cellules pluripotentes plus rapidement et avec plus de précision, contribuant ainsi à rendre les thérapies à base de cellules souches plus sûres et plus efficaces.
Réduire l'utilisation des animaux
L'utilisation de l'AINU peut réduire l'utilisation des animaux en science.
Rapports associés :
Das obige ist der detaillierte Inhalt vonDas Zellkern-KI-Tool der Southern Medical University kann mit einer Präzision im Nanometerbereich innerhalb einer Stunde erkannt werden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
