深度学习集成模型可在下丘脑-垂体类器官生长的早期准确分类,识别出具有高治疗潜力的类器官
类器官(模拟器官结构和功能的微型实验室培养组织)正在推进生物医学研究。它们在个性化移植、阿尔茨海默病和癌症等疾病的疾病建模以及获得对医疗药物效果的精确见解方面具有很大的前景。来自日本九州大学和名古屋大学的研究人员现在开发了一种人工智能 (AI) 模型,可以预测类器官生长早期的发育。这种创新方法比人类研究人员更快、更准确,有可能降低成本并提高类器官培养的效率。这项研究发表在《通讯生物学》(Communications Biology)上,主要关注下丘脑-垂体类器官。这些类器官复制了垂体的功能,垂体产生促肾上腺皮质激素 (ACTH),这是压力、新陈代谢、血压和炎症的重要调节剂。ACTH 缺乏会导致疲劳和厌食等严重症状,从而构成危及生命的风险。“在我们的实验室中,我们对小鼠的研究表明,移植下丘脑-垂体类器官有可能治疗人类的 ACTH 缺陷,”名古屋大学医学研究生院副教授 Hidetaka Suga 说。类器官研究的一个主要挑战是确保适当的开发。类器官来源于悬浮在液体中的干细胞,对环境条件高度敏感,这可能导致其生长和质量发生变化。研究人员发现,一种称为 RAX 的蛋白质的早期广泛表达是良好发育的指标,通常会导致成熟类器官中强烈的 ACTH 分泌。“我们可以通过对类器官进行基因修饰以使 RAX 蛋白发出荧光来跟踪发育,”Suga 解释说。“然而,用于临床用途的类器官,如移植,不能经过基因改造以产生荧光。因此,我们的研究人员必须根据他们亲眼所见来判断:这是一个耗时且不准确的过程。为了解决这个问题,Suga 和他的团队与九州大学数据驱动创新计划教授 Hirohiko Niioka 合作,训练深度学习模型以进行更准确的预测。“深度学习模型是一种 AI,它模仿人脑处理信息的方式,使它们能够通过识别模式来分析和分类大量数据,”Niioka 说。该团队在发育 30 天时捕获了类器官的荧光图像(显示 RAX 蛋白表达)和明场图像(标准白光图像)。以荧光图像为参考,他们将 1,500 张明场图像分为三个质量类别:A(宽 RAX 表达,高质量)、B(中等 RAX 表达,中等质量)和 C(窄 RAX 表达,低质量)。Niioka 使用 1200 张明场图像作为训练集,为这项任务训练了两个高级深度学习模型——EfficientNetV2-S 和 Vision Transformer,由 Google 开发。然后,他将这些模型组合成一个集成模型以提高准确性。使用剩余的 300 张图像测试集成模型,该系统在类器官分类方面达到了 70% 的准确率,超过了准确率不到 60% 的人类专家。
“深度学习模型在各个方面都优于专家:准确性、灵敏度和速度,”Niioka 指出。
然后,研究人员在未对荧光 RAX 蛋白进行基因修饰的类器官上测试了该模型。染色技术显示,被模型分类为 A (高质量) 的类器官在 30 天时表现出高 RAX 表达,随后表现出强烈的 ACTH 分泌。相反,那些被归类为 C (低质量) 的药物显示出较低的 RAX 和 ACTH 水平。
“因此,我们的模型可以仅根据视觉外观在开发的早期阶段预测类器官的最终质量,”Niioka 说。“据我们所知,这是世界上第一次使用深度学习来预测类器官开发的未来。”
展望未来,该团队旨在通过在更大的数据集上训练模型来提高模型的准确性。即使在目前的准确率水平下,该模型也为类器官研究提供了变革性的好处。
“我们可以快速轻松地选择高质量的类器官进行移植和疾病建模,并通过识别和去除发育不太好的类器官来节省时间和成本,”Suga 总结道。“它改变了游戏规则。”
武汉丽合智造生物科技有限公司拥有基于全球最大合成生物反应/途径大数据的人工智能定制化创新体系。为了协助产业方(天然产物提取和化学合成等企业),利用绿色合成生物制造工艺,进行“降本增效”,增加商业竞争力,公司推出了大数据和人工智能双驱动的一站式合成生物制造创新工艺"SynBioMan"定制化研发服务。为了帮助更多青年科学家进行科研成果转化,公司打造了“合生星”产业赋能计划。为了促进行业的智能化发展,承办了全球人工智能+合成生物挑战赛“GAS”活动。
人工智能驱动的合成生物途径设计工具:
人工智能驱动的酶挖掘和优化设计工具:
人工智能驱动的合成生物制造工艺优化系统: