ახალი ხელოვნური ინტელექტის მეთოდი უჯრედის მდგომარეობის ჰოლისტიკურ ხედვას გვთავაზობს

კიბოთი დაავადებული პაციენტის უჯრედებში გენის ექსპრესიის შესწავლა კლინიკურ ბიოლოგებს ეხმარება გაიგონ კიბოს წარმოშობა და იწინასწარმეტყველონ სხვადასხვა მკურნალობის წარმატება. თუმცა, უჯრედები რთულია და მრავალი შრისგან შედგება, ამიტომ გაზომვის მეთოდი გავლენას ახდენს იმაზე, თუ რა მონაცემების მიღება შეუძლია ბიოლოგს. მაგალითად, უჯრედში ცილების გაზომვამ შეიძლება კიბოს ეფექტების შესახებ განსხვავებული ინფორმაცია მოგვცეს, ვიდრე გენის ექსპრესიის ან უჯრედის მორფოლოგიის გაზომვამ. მნიშვნელოვანია, უჯრედის რომელ ნაწილშია ინფორმაციის წყარო. მაგრამ უჯრედის მდგომარეობის შესახებ სრული ინფორმაციის მისაღებად, მეცნიერებს ხშირად უწევთ მრავალი გაზომვის ჩატარება სხვადასხვა ტექნიკის გამოყენებით და მათი სათითაოდ ანალიზი. მანქანური სწავლების მეთოდებს შეუძლიათ პროცესის დაჩქარება, მაგრამ არსებული მეთოდები ყველა ინფორმაციას თითოეული გაზომვის მოდულიდან ერთად აჯგუფებს, რაც ართულებს იმის გარკვევას, თუ რომელი მონაცემი უჯრედის რომელი ნაწილიდან მოდის. ამ პრობლემის გადასაჭრელად, ბროუდის ინსტიტუტის (MIT და ჰარვარდი) და ციურიხის ETH/პოლ შერერის ინსტიტუტის (PSI) მკვლევრებმა შეიმუშავეს ხელოვნური ინტელექტზე დაფუძნებული მეთოდი, რომელიც სწავლობს, თუ უჯრედის მდგომარეობის შესახებ რომელი ინფორმაციაა საერთო სხვადასხვა გაზომვის მოდულისთვის და რომელი ინფორმაციაა უნიკალური კონკრეტული გაზომვის ტიპისთვის. იმის ზუსტი დადგენით, თუ რომელი ინფორმაცია უჯრედის რომელი ნაწილიდან მოდის, ეს მიდგომა უჯრედის მდგომარეობის უფრო ჰოლისტიკურ ხედვას იძლევა, რაც ბიოლოგებს უადვილებს უჯრედული ურთიერთქმედებების სრული სურათის დანახვას. ამან შეიძლება მეცნიერებს დაეხმაროს დაავადების მექანიზმების გაგებაში და ისეთი დაავადებების პროგრესირების თვალყურის დევნებაში, როგორიცაა კიბო, ნეიროდეგენერაციული დარღვევები, როგორიცაა ალცჰაიმერის დაავადება, და მეტაბოლური დაავადებები, როგორიცაა დიაბეტი. „როდესაც უჯრედებს ვსწავლობთ, ერთი გაზომვა ხშირად არასაკმარისია, ამიტომ მეცნიერები ავითარებენ ახალ ტექნოლოგიებს უჯრედების სხვადასხვა ასპექტის გასაზომად. მიუხედავად იმისა, რომ უჯრედის შესწავლის მრავალი გზა გვაქვს, საბოლოო ჯამში ჩვენ მხოლოდ ერთი ძირითადი უჯრედული მდგომარეობა გვაქვს. ყველა ამ გაზომვის მეთოდიდან მიღებული ინფორმაციის უფრო ჭკვიანურად გაერთიანებით, ჩვენ შეგვიძლია მივიღოთ უჯრედის მდგომარეობის სრული სურათი“, - ამბობს მთავარი ავტორი სინ იი ჟანგი (Xinyi Zhang) (SM ’22, PhD ’25), ელექტრული ინჟინერიისა და კომპიუტერული მეცნიერების (EECS) MIT დეპარტამენტის ყოფილი მაგისტრანტი და დოქტორანტი და ბროუდის ინსტიტუტის (MIT და ჰარვარდი) ერიკ და ვენდი შმიდტის ცენტრის თანამშრომელი, რომელიც ახლა AITHYRA-ს ჯგუფის ხელმძღვანელია ვენაში, ავსტრია. ჟანგს ამ ნაშრომში შეუერთდნენ გ.ვ. შივაშანკარი (G.V. Shivashankar), ციურიხის ETH-ის ჯანდაცვის მეცნიერებისა და ტექნოლოგიების დეპარტამენტის პროფესორი და PSI-ის მულტისკალური ბიოვიზუალიზაციის ლაბორატორიის ხელმძღვანელი; და უფროსი ავტორი კაროლინ ულერი (Caroline Uhler), EECS-ის და მონაცემთა, სისტემებისა და საზოგადოების ინსტიტუტის (IDSS) პროფესორი MIT-ში, MIT-ის ინფორმაციისა და გადაწყვეტილების სისტემების ლაბორატორიის (LIDS) წევრი და ბროუდის ინსტიტუტის ერიკ და ვენდი შმიდტის ცენტრის დირექტორი. კვლევა დღეს გამოქვეყნდა ჟურნალ Nature Computational Science-ში. მრავალი გაზომვის მანიპულირება. მეცნიერებს მრავალი ინსტრუმენტი აქვთ უჯრედის მდგომარეობის შესახებ ინფორმაციის მისაღებად. მაგალითად, მათ შეუძლიათ გაზომონ რნმ, რათა დაადგინონ, იზრდება თუ არა უჯრედი, ან შეუძლიათ გაზომონ ქრომატინის მორფოლოგია, რათა ნახონ, უმკლავდება თუ არა უჯრედი გარე ფიზიკურ ან ქიმიურ სიგნალებს. „როდესაც მეცნიერები მულტიმოდალურ ანალიზს ატარებენ, ისინი აგროვებენ ინფორმაციას მრავალი გაზომვის მეთოდის გამოყენებით და აერთიანებენ მას, რათა უკეთ გაიგონ უჯრედის ძირითადი მდგომარეობა. ზოგიერთი ინფორმაცია მხოლოდ ერთი მეთოდით არის მიღებული, ხოლო სხვა ინფორმაცია საერთოა მრავალი მეთოდისთვის. უჯრედში მიმდინარე მოვლენების სრულად გასაგებად, მნიშვნელოვანია ვიცოდეთ, საიდან მოდის ინფორმაცია“, - ამბობს შივაშანკარი. ხშირად, მეცნიერებისთვის ამის გარკვევის ერთადერთი გზა მრავალი ინდივიდუალური ექსპერიმენტის ჩატარება და შედეგების შედარებაა. ეს ნელი და რთული პროცესი ზღუდავს ინფორმაციის რაოდენობას, რომლის შეგროვებაც მათ შეუძლიათ. ახალ ნაშრომში მკვლევრებმა შექმნეს მანქანური სწავლების მეთოდი, რომელიც კონკრეტულად ხვდება, თუ რომელი ინფორმაცია ემთხვევა სხვადასხვა მეთოდს შორის და რომელი ინფორმაციაა უნიკალური კონკრეტული მეთოდისთვის, მაგრამ არ არის მიღებული სხვების მიერ. „როგორც მომხმარებელს, თქვენ შეგიძლიათ უბრალოდ შეიყვანოთ თქვენი უჯრედის მონაცემები და ის ავტომატურად გეტყვით, რომელი მონაცემებია საერთო და რომელი მონაცემებია მეთოდ-სპეციფიკური“, - ამბობს ჟანგი. ამ მეთოდის შესაქმნელად, მკვლევრებმა გადახედეს იმ ტიპურ ხერხს, თუ როგორ არის შექმნილი მანქანური სწავლების მოდელები მულტიმოდალური უჯრედული გაზომვების მისაღებად და ინტერპრეტაციისთვის. ჩვეულებრივ, ამ მეთოდებს, რომლებიც ცნობილია როგორც ავტოენკოდერები, აქვთ თითო მოდელი თითოეული გაზომვის მეთოდისთვის, და თითოეული მოდელი ცალკე წარმოდგენას ახდენს ამ მეთოდით მიღებული მონაცემებისთვის. წარმოდგენა არის შეყვანილი მონაცემების შეკუმშული ვერსია, რომელიც გამორიცხავს ნებისმიერ შეუსაბამო დეტალს. MIT-ის მეთოდს აქვს საერთო წარმოდგენის სივრცე, სადაც მრავალ მეთოდს შორის გადაფარებული მონაცემები კოდირდება, ასევე ცალკეული სივრცეები, სადაც თითოეული მეთოდიდან უნიკალური მონაცემები კოდირდება.