• Image 02
  • Image 02
  • Image 02
  • Image 02
  • Image 02
  • Image 02

Una forma sobrehumana de observar células utilizando inteligencia artificial

el .

Para que las características de las células sean visibles al ojo humano, incluso bajo el microscopio, los científicos normalmente usan sustancias químicas que pueden matar las mismas células que quieren observar. El Dr. Steven Finkbeiner, director e investigador principal de los Institutos Gladstone en San Francisco (foto arriba), se asoció recientemente con científicos informáticos en Google para un nuevo estudio innovador. La investigación muestra que las computadoras pueden ver detalles en las imágenes sin usar métodos invasivos.

 

Por ejemplo, usando inteligencia artificial (IA), las computadoras pueden examinar células que no han sido tratadas con productos químicos y encontrar una gran cantidad de datos que les ahorran tiempo y esfuerzo a los investigadores, y la cantidad de características que se pueden obtener de las imágenes es extraordinaria. Las horas extensas de investigadores sentados en el microscopio analizando manualmente las imágenes de las células podrían eventualmente convertirse en una cosa del pasado.

Utilizando AI, Finkbeiner y los científicos informáticos de Google descubrieron que podrían dar a los investigadores una forma de superar el rendimiento humano regular entrenando una computadora utilizando un método llamado aprendizaje profundo. Un tipo de aprendizaje automático, el aprendizaje profundo implica algoritmos que pueden analizar datos, reconocer patrones y hacer predicciones.

El trabajo de Finkbeiner y Google se publicó recientemente en la prestigiosa revista Cell y es una de las primeras aplicaciones del aprendizaje profundo en biología, que se puede aplicar a la investigación de la ELA.

"Esto va a ser transformador", dijo Finkbeiner. "El aprendizaje profundo va a cambiar fundamentalmente la forma en que conducimos la ciencia biomédica en el futuro, no solo acelerando el descubrimiento, sino también ayudando a encontrar tratamientos para abordar las principales necesidades médicas no satisfechas".

Finkbeiner desarrolló el Brain Bot, un sistema de microscopía automatizado que puede rastrear células individuales a lo largo del tiempo, asignando a cada célula una etiqueta similar a la seguridad social. Miles de células se pueden rastrear a la vez durante muchos meses, lo que genera grandes cantidades de datos. Encontrar la mejor manera de analizar estos datos se convirtió en un desafío.

Finkbeiner descubrió que Google necesitaba un proyecto de investigación biomédica que generara una cantidad suficiente de datos para ser susceptible de aprendizaje profundo para probar la inteligencia artificial en el laboratorio. Fue un ajuste perfecto.

"Queríamos utilizar nuestra pasión por el aprendizaje automático para resolver grandes problemas", dijo Philip Nelson, director de ingeniería de Google Accelerated Science. "Una colaboración con Gladstone fue una excelente oportunidad para que apliquemos nuestro conocimiento en expansión de la inteligencia artificial para ayudar a los científicos en otros campos de una manera que pueda beneficiar a la sociedad de una manera tangible".

Aplicación de Deep Learning a Cell Analyzes

Finkbeiner y Eric Christiansen, el primer autor del estudio, inventaron un nuevo enfoque de aprendizaje profundo llamado "etiquetado in silico". Permitiendo a una computadora encontrar y predecir características en imágenes de células no etiquetadas, el etiquetado in silico descubre información importante que de otro modo sería problemática o imposible para que los científicos obtengan sin perturbar los experimentos con los métodos de etiquetado tradicionales.

"Capacitamos a la red neuronal al mostrarle dos conjuntos de imágenes de las mismas células; uno sin etiqueta y otro con etiquetas fluorescentes ", explicó Christiansen, ingeniero de software de Google Accelerated Science. "Repetimos este proceso millones de veces. Luego, cuando presentamos la red con una imagen sin etiqueta que nunca habíamos visto, podía predecir con exactitud a dónde pertenecen las etiquetas fluorescentes ".

Esta técnica identificó exitosamente los núcleos celulares (el centro neurálgico de las células), el tipo celular en una mezcla de células (para distinguir una neurona versus las células de soporte circundantes), la salud celular (vivo frente a una célula muerta) y los tipos de estructuras subcelulares, como dendrita versus un axón (ver a continuación).

Diagrama de la neurona motora

"Cuanto más ha aprendido el modelo, menos datos necesita para aprender una nueva tarea similar", dijo Nelson. "Este tipo de aprendizaje por transferencia -donde una red aplica lo que se aprende en algunos tipos de imágenes a tipos completamente nuevos- ha sido un desafío de larga data en IA, y estamos entusiasmados de haberlo hecho funcionar tan bien aquí. Al aplicar lecciones previas a nuevas tareas, nuestra red puede continuar mejorando y hacer predicciones precisas sobre incluso más datos de los que hemos medido en este estudio ".

"Llevar esta tecnología a los biólogos es un objetivo tan importante", agregó Finkbeiner.

Importancia potencial para la investigación de la ELA

En su laboratorio, Finkbeiner está tratando de encontrar nuevas formas de diagnosticar y tratar los trastornos neurodegenerativos, incluida la ELA.

Este sistema de aprendizaje profundo de IA tiene muchas aplicaciones para comprender mejor la ELA. Por ejemplo, los investigadores podrían clasificar los diferentes tipos de ELA, lo que tendría implicaciones significativas, desde cambiar la forma en que los investigadores estudian la enfermedad hasta alterar la forma en que se realizan los ensayos clínicos. Usando este nuevo método, los investigadores podrían estratificar a las personas con ciertas características de la enfermedad para ayudar a mejorar los resultados de los ensayos clínicos.

Además, con el uso creciente de células madre pluripotentes inducidas, células que pueden programarse en neuronas motoras (las células que mueren en la ELA) de individuos con ELA, los investigadores podrían relacionar las propias células de una persona con su información clínica. El aprendizaje profundo se puede aplicar para encontrar relaciones entre sus síntomas y su patología celular. En última instancia, este método podría ayudar a identificar subgrupos de personas con ELA con funciones celulares similares y unirlas a la terapia más efectiva para tratar su enfermedad.

"La aplicación de la inteligencia artificial para explorar nuevos objetivos y biomarcadores es muy emocionante. Nos complace respaldar el trabajo innovador del Dr. Finkbeiner y su equipo y sus interesantes asociaciones como resultado de sus esfuerzos ", afirmó la Dra. Lucie Bruijn, científica jefe de la Asociación ALS de Estados Unidos.

Paper citation

Eric M. Christiansen, et al. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. April 19, 2018. Cell. 173(3): 792-803.

DOI: https://doi.org/10.1016/j.cell.2018.03.040