Model IRIS z Whitehead Institute rozszyfrował sygnały komórek podczas rozwoju zarodka

Zespół z Whitehead Institute for Biomedical Research, powiązanego z MIT, opublikował 8 września w czasopiśmie Nature Methods opis modelu sztucznej inteligencji o nazwie IRIS. Narzędzie rozpoznaje charakterystyczny wzorzec aktywności genów, jaki każdy szlak sygnałowy pozostawia w komórce, i na tej podstawie odtwarza, jakie sygnały dotarły do niej na poszczególnych etapach rozwoju zarodka.

Komunikacja między komórkami odbywa się za pomocą szlaków sygnałowych, czyli łańcuchów molekularnych, które przekazują informacje z zewnątrz komórki do jej wnętrza i uruchamiają konkretne geny. Problem w tym, że ten sam szlak sygnałowy wywołuje różne reakcje w różnych typach komórek, więc do tej pory trudno było jednoznacznie stwierdzić, jaki sygnał odpowiada za dany efekt, obserwując wyłącznie aktywność genów.

Odcisk palca każdego sygnału

Zespół z Whitehead Institute odkrył, że mimo tych różnic każdy szlak sygnałowy zostawia w komórce swój unikatowy wzorzec aktywności genów, rodzaj odcisku palca, który powtarza się niezależnie od typu komórki. To założenie stało się podstawą do zbudowania modelu, który potrafi rozpoznać ten wzorzec i przypisać go do konkretnego sygnału.

Aby nauczyć model rozróżniania tych wzorców, naukowcy najpierw zbudowali obszerny atlas eksperymentalny. Poddali tysiące ludzkich embrionalnych komórek macierzystych działaniu różnych kombinacji sześciu głównych szlaków sygnałowych na wielu etapach rozwoju i zarejestrowali, jak zmieniała się aktywność ich genów. Ten zbiór danych posłużył jako materiał treningowy dla sieci neuronowej IRIS.

Transfer wiedzy między typami komórek

Kluczowym wyzwaniem było to, że model wytrenowany na komórkach macierzystych musiał działać także na zupełnie innych typach komórek, których wcześniej nie widział. Dr Pulin Li porównała ten mechanizm do systemów rozpoznawania mowy.

Pomyśl o systemach rozpoznawania głosu jak Siri, które są trenowane głównie w języku angielskim, ale potem wykorzystują to trenowanie, by rozpoznawać inne języki. To się nazywa transfer learning i dlatego IRIS może działać w wielu różnych typach komórek - dr Pulin Li, Whitehead Institute

Dzięki temu podejściu model, po wytrenowaniu na komórkach macierzystych w warunkach laboratoryjnych, sprawdził się także przy analizie pojedynczych komórek pobranych z mysich zarodków w fazie gastrulacji, czyli momentu, w którym komórki zaczynają różnicować się w tkanki tworzące serce, jelita, mięśnie czy rdzeń kręgowy.

Po co to naukowcom

Do tej pory ustalenie, jakie kombinacje sygnałów prowadzą do powstania konkretnego typu tkanki, wymagało żmudnego testowania kolejnych wariantów w laboratorium. IRIS ma drastycznie skrócić tę pracę, zawężając przestrzeń kombinacji, które trzeba faktycznie sprawdzić eksperymentalnie.

W ten sposób IRIS pomaga nam rozszyfrować język, którym komórki mówią do siebie, dużo szybciej, niż moglibyśmy to realistycznie osiągnąć poprzez same eksperymenty - Nicholas Hutchins, doktorant, Whitehead Institute

Zastosowania praktyczne obejmują przede wszystkim projektowanie organoidów, czyli miniaturowych modeli tkanek i narządów hodowanych w laboratorium, które służą do badania chorób i testowania leków bez konieczności eksperymentów na pacjentach. Autorzy wskazują w szczególności choroby układu oddechowego, takie jak astma, rak płuc i włóknienie płuc, jako obszary, w których lepsze zrozumienie sygnalizacji komórkowej może przełożyć się na nowe terapie.

Znaczenie dla biotechnologii

Model może też przyspieszyć opracowywanie terapii regeneracyjnych opartych na komórkach macierzystych, gdzie kluczowe jest precyzyjne sterowanie tym, w jaki typ tkanki dana komórka się przekształci. Zamiast testować dziesiątki kombinacji sygnałów metodą prób i błędów, badacze mogliby wykorzystać przewidywania IRIS jako punkt wyjścia.

Dla polskich ośrodków badawczych i firm biotechnologicznych zajmujących się inżynierią tkankową czy testowaniem leków to sygnał, że narzędzia AI wspierające projektowanie eksperymentów biologicznych stają się coraz bardziej precyzyjne i dostępne jako publikacje naukowe wraz z kodem, co ułatwia ich adaptację poza macierzystym laboratorium.

Zespół Whitehead Institute udostępnił kod modelu publicznie, co pozwala innym laboratoriom na własne testy i dalszy rozwój narzędzia. To kolejny przykład, jak modele uczenia maszynowego wchodzą do podstawowych badań biologicznych, przenosząc metody znane z rozpoznawania mowy czy obrazów na analizę procesów zachodzących wewnątrz pojedynczych komórek.