KI automatisiert die Zählung des Schwesterchromatidaustauschs und verbessert so die Diagnose des Bloom-Syndroms

KI automatisiert die Zählung des Schwesterchromatidaustauschs und verbessert so die Diagnose des Bloom-Syndroms

Forscher der Tokyo Metropolitan University haben eine Reihe von Algorithmen entwickelt, um die Zählung des Schwesterchromatidaustauschs (SCE) in Chromosomen unter dem Mikroskop zu automatisieren. Die konventionelle Analyse erfordert geschultes Personal und Zeit, wobei es von Person zu Person unterschiedlich sein kann. Der auf maschinellem Lernen basierende Algorithmus des Teams weist eine Genauigkeit von 84 % auf und liefert eine objektivere Messung. Dies könnte für die Diagnose von Störungen, die mit einer abnormalen Anzahl von SCE verbunden sind, wie das Bloom-Syndrom, von entscheidender Bedeutung sein.

DNA, der Bauplan des Lebens für alle lebenden Organismen, ist in komplexen Strukturen, den sogenannten Chromosomen, verpackt. Bei der Replikation der DNA entstehen zwei identische Stränge, sogenannte Schwesterchromatiden, die jeweils genau die gleichen genetischen Informationen tragen. Anders als bei der Meiose müssen Schwesterchromatiden während der Mitose keine Rekombination durchlaufen und werden in den meisten Fällen intakt auf die Tochterzellen übertragen. Tritt jedoch eine Schädigung der DNA auf, versucht der Organismus, die Läsion zu reparieren, indem er die verbleibende unbeschädigte DNA als Vorlage verwendet. Bei diesem Reparaturvorgang kommt es häufig vor, dass bestimmte Abschnitte der Schwesterchromatiden untereinander ausgetauscht werden. Bei diesem Reparaturvorgang kommt es häufig vor, dass bestimmte Abschnitte der Schwesterchromatiden untereinander ausgetauscht werden. Dieser „Schwesterchromatische Austausch“ (SCE) ist an sich nicht schädlich, aber zu viele können ein guter Indikator für einige schwerwiegende Störungen sein. Beispiele hierfür sind das Bloom-Syndrom: Betroffene können eine Veranlagung für Krebs haben.

Um SCEs zu zählen, untersuchen erfahrene Kliniker bei normalen Methoden gefärbte Chromosomen unter dem Mikroskop und versuchen, die verräterischen „vertauschten“ Segmente der Schwesterchromatiden zu identifizieren. Dies ist nicht nur arbeitsintensiv und langsam, sondern kann auch subjektiv sein und davon abhängen, wie das menschliche Auge Merkmale wahrnimmt. Eine vollautomatische Analyse von Mikroskopbildern würde Zeit sparen und objektive Messungen der Anzahl von SCEs liefern, um konsistentere Diagnosen in verschiedenen klinischen Umgebungen zu ermöglichen.

Jetzt hat ein Team unter der Leitung der Professoren Kiyoshi Nishikawa und Kan Okubo von der Tokyo Metropolitan University eine Reihe von Algorithmen entwickelt, die maschinelles Lernen nutzen, um SCEs in Bildern zu zählen. Sie kombinierten verschiedene Methoden: eine zur Identifizierung einzelner Chromosomen, eine weitere zur Feststellung, ob SCEs vorhanden sind, und schließlich eine weitere zur Gruppierung und Zählung dieser Chromosomen, was zu einer objektiven, vollautomatischen Messung der Anzahl von SCEs in einem Mikroskopbild führte. Sie ermittelten eine Genauigkeit von 84,1 %, ein Wert, der für praktische Anwendungen ausreicht. Um zu sehen, wie es mit realen Daten funktioniert, sammelten sie Bilder von Chromosomen aus Zellen mit künstlich ausgeschlagenen Zellen BLM Gen, die Art der Unterdrückung, die bei Patienten mit Bloom-Syndrom beobachtet wird. Der Algorithmus des Teams war in der Lage, Zählwerte für SCEs zu ermitteln, die mit denen menschlicher Zähler übereinstimmten.

Derzeit wird daran gearbeitet, die riesigen Mengen verfügbarer klinischer Daten zum Trainieren des Algorithmus zu nutzen, wobei weitere Verfeinerungen folgen werden. Das Team ist davon überzeugt, dass der Ersatz manueller Zählungen durch vollständige Automatisierung dazu beitragen wird, schnellere und objektivere klinische Analysen als je zuvor zu ermöglichen, und dass dies nur der Anfang dessen ist, was KI für die medizinische Forschung leisten kann.

Diese Arbeit wurde von JSPS KAKENHI Grant Numbers 22H05072, 25K09513 und 22K12170 unterstützt.

Quellen: