Avec une précision de l'ordre du nanomètre, l'infection virale peut être détectée en une heure. L'outil d'IA du noyau cellulaire de la Southern Medical University est publié dans la sous-journal Nature.

Éditeur | KX

Un nanomètre (nm) équivaut à un milliardième de mètre et la largeur d'un cheveu humain est d'environ 100 000 nm.

Aujourd'hui, l'intelligence artificielle peut détecter des réarrangements au sein de cellules aussi petits que 20 nm, soit 5 000 fois plus petits que la largeur d'un cheveu humain. Ces changements sont trop petits et subtils pour être découverts par les humains en utilisant uniquement les méthodes traditionnelles.

Récemment, une équipe de recherche de la Southern Medical University et de l'Institut des sciences et technologies de Barcelone en Espagne a développé un outil d'intelligence artificielle nucléaire (AINU) capable d'identifier des caractéristiques nucléaires spécifiques à une résolution de l'ordre du nanomètre. Il permet de distinguer les cellules cancéreuses des cellules normales et de détecter les premiers stades d’une infection virale intracellulaire.

Limei Zhong, co-auteur de l'article et chercheur à l'hôpital populaire provincial du Guangdong (GDPH) de la Southern Medical University, a déclaré : « Les chercheurs peuvent utiliser cette technologie pour observer comment le virus affecte les cellules immédiatement après son entrée dans l'organisme humain. corps, ce qui peut aider à développer de meilleurs traitements et vaccins. Dans les hôpitaux et les cliniques, l'AINU peut être utilisé pour diagnostiquer rapidement les infections à partir de simples échantillons de sang ou de tissus, rendant le processus de diagnostic plus rapide et plus précis. "La recherche associée est basée sur" un apprentissage en profondeur. La méthode qui « identifie l'hétérogénéité cellulaire à l'aide de caractéristiques nucléaires à l'échelle nanométrique » a été publiée dans « Nature Machine Intelligence ».

Lien papier : https://www.nature.com/articles/s42256-024-00883-x Microscopie à résolution nanométrique

L'hétérogénéité phénotypique cellulaire est de nombreux déterminants clés de la fonction biologique , comprendre leurs origines reste un formidable défi. Cette hétérogénéité reflète souvent des changements dans la structure de la chromatine, influencés par des facteurs tels que les infections virales et le cancer, qui remodèlent considérablement le paysage cellulaire.

La microscopie de localisation de molécule unique (SMLM), en particulier la microscopie de reconstruction optique stochastique (STORM), peut déterminer la disposition à l'échelle nanométrique des fibres de chromatine dans les cellules. Les méthodes actuelles d'analyse de la distribution spatiale de molécules uniques, telles que les algorithmes de clustering, sont très efficaces pour extraire les positions nucléaires et leurs densités locales. Cependant, on ne sait pas encore comment la distribution spatiale et la densité de ces molécules peuvent être exploitées pour identifier les états cellulaires.

Les réseaux de neurones convolutifs (CNN) ont été largement utilisés dans divers domaines de l'imagerie médicale. Des modèles d’apprentissage profond (DL) ont été utilisés pour classer des images de cellules entières et les suivre à l’aide de la microscopie limitée par diffraction. De plus, la microscopie à super-résolution (SR) est utilisée pour améliorer la précision de la localisation et la segmentation sémantique lors de l'acquisition de données, mais les images SMLM n'ont pas encore été utilisées pour classer les cellules en fonction de leur structure sous-cellulaire.

La « reconnaissance faciale » au niveau moléculaire

Le déverrouillage des smartphones avec votre visage, ou les voitures autonomes comprenant et naviguant dans l'environnement en identifiant les objets sur la route, utilisent tous des réseaux de neurones convolutifs.

Dans le domaine médical, les réseaux de neurones convolutifs sont utilisés pour analyser des images médicales, telles que des mammographies ou des tomodensitogrammes, et identifier les signes de cancer que l'œil humain pourrait manquer. Ils peuvent également aider les médecins à détecter des anomalies dans les examens IRM ou les images radiographiques, les aidant ainsi à établir des diagnostics plus rapides et plus précis.

AINU est un réseau neuronal convolutif, un type d'IA spécialement conçu pour analyser des données visuelles telles que des images. Les architectures CNN peuvent être entraînées efficacement en utilisant un minimum de données d’entraînement provenant de l’imagerie de signature nucléaire.

L'AINU scanne des images haute résolution de cellules, obtenues avec STORM, une technologie qui capture des détails plus fins que les microscopes ordinaires. Les instantanés haute définition peuvent révéler des structures avec une résolution à l’échelle nanométrique.

"La résolution de ces images est suffisamment élevée pour que notre IA puisse identifier des modèles et des différences spécifiques, y compris des changements dans la disposition de l'ADN au sein des cellules, avec une précision étonnante, nous aidant à détecter les changements très rapidement. Nous pensons que ce type d'informations pourrait un jour faire gagner un temps précieux aux médecins pour surveiller la maladie, personnaliser les traitements et améliorer les résultats pour les patients", a déclaré le professeur Pia Cosma, co-auteur de l'étude, de l'Institut des sciences et technologies de Barcelone, en Espagne.

Pour sélectionner la meilleure architecture CNN et ses hyperparamètres pour identifier les cellules somatiques et les cellules souches pluripotentes induites par l'homme (hiPSC), les chercheurs ont comparé 11 architectures CNN différentes et, enfin, DenseNet-121 a mieux réussi à identifier les cellules somatiques et les cellules souches pluripotentes induites par l'homme (hiPSC). Les cellules somatiques et les hiPSC ont donné les meilleurs résultats, avec une précision de validation moyenne de 92,26 et une perte moyenne de 0,292, qui ont été utilisées pour une analyse ultérieure.

La sélection était basée sur les performances du modèle sur un total de 349 images nucléaires STORM bicolores des histones centrales du nucléosome H3 et Pol II. Les fluorophores de molécules sélectionnées ont été collectés à partir de cellules somatiques humaines et de hiPSC de différents types de cellules somatiques et restitués en images à un grossissement de 10x par rapport au cadre d'origine de la caméra.

AINU détecte et analyse de minuscules structures au sein des cellules au niveau moléculaire. Les chercheurs ont formé le modèle en lui fournissant des images de résolution nanométrique des noyaux de différents types de cellules dans différents états. Le modèle a appris à reconnaître des modèles spécifiques dans les cellules en analysant la manière dont les composants du noyau sont distribués et disposés dans un espace tridimensionnel.

たとえば、正常細胞と比較して、がん細胞は、DNAの構成方法や核内の酵素の分布の変化など、核構造に明らかな変化を示しています。訓練後、AINU は細胞核の新しい画像を分析し、これらの特徴のみに基づいてそれらを癌細胞または正常細胞に分類できます。

図: Pol II および H3 画像で訓練された AINU は、体細胞と iPSC を正確に識別します。 (出典: 論文) AINU は、超解像度顕微鏡画像におけるコアヒストン H3、RNA ポリメラーゼ II (Pol II)、または DNA の空間配置に基づいて、さまざまな細胞状態を区別することができます。 AINU は、トレーニング データとして少数の画像のみを使用し、適切な再トレーニングを行うことで、ヒト体細胞、ヒト人工多能性幹細胞 (iPSC)、単純ヘルペス ウイルス I 型 (HSV-1) に感染したヒト細胞、およびがんを正確に識別できます。細胞。

AINU は体細胞と iPSC を識別

図: Pol II 画像でトレーニングされた AINU は体細胞と iPSC を正確に識別します。 (出典: 論文)

識別特徴の解明

解釈可能な AI は、核小体内の Pol II 局在化が AINU の hiPSC 識別の重要な特徴であることを明らかにしました。

HSV-1 の検出

画像のナノスケール解像度により、AI は細胞が HSV-1 に感染してから 1 時間以内の核の変化を検出できます。 。このモデルは、DNA の密集度の微妙な違いを見つけることでウイルスの存在を検出できます。

臨床応用

研究者は、このテクノロジーを臨床現場で使用するための限界を克服しています。

科学研究を加速する

AINU は幹細胞を正確に特定し、幹細胞研究の加速に貢献します。

多能性細胞の検出

AINU は多能性細胞をより迅速かつ正確に検出できるため、幹細胞療法をより安全かつ効果的に行うことができます。

動物の使用を減らす

AINU を使用すると、科学における動物の使用を減らすことができます。

関連レポート:

• https://medicalxpress.com/news/2024-08-ai-cancer-viral-infections-nanoscale.html

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!