AI automatizuoja seserų chromatidų mainų skaičiavimą, pagerindamas Bloom sindromo diagnozę

AI automatizuoja seserų chromatidų mainų skaičiavimą, pagerindamas Bloom sindromo diagnozę

Tokijo Metropoliteno universiteto mokslininkai sukūrė algoritmų seriją, skirtą automatizuoti seserinių chromatidų mainų (SCE) skaičiavimą chromosomose po mikroskopu. Įprastai analizei reikalingas apmokytas personalas ir laikas, kuris kiekvienam žmogui skiriasi. Komandos mašininiu mokymusi pagrįstas algoritmas turi 84% tikslumą ir suteikia objektyvesnį matavimą. Tai gali būti labai svarbu diagnozuojant sutrikimus, susijusius su nenormaliu SCE skaičiumi, pvz., Bloomo sindromą.

DNR, visų gyvų organizmų gyvybės planas, yra supakuota į sudėtingas struktūras, vadinamas chromosomomis. Kai DNR replikuojasi, sukuriamos dvi identiškos grandinės, vadinamos seserinėmis chromatidėmis, kurių kiekviena turi lygiai tą pačią genetinę informaciją. Skirtingai nuo mejozės, seserinės chromatidės mitozės metu neturi rekombinuotis ir daugeliu atvejų nepažeistos perduodamos į dukterines ląsteles. Tačiau, jei DNR pažeidžiama, organizmas bando ištaisyti pažeidimą naudodamas likusią nepažeistą DNR kaip šabloną. Šio taisymo proceso metu dažnai nutinka taip, kad tam tikros seserinių chromatidžių dalys yra keičiamos viena su kita. Šio taisymo proceso metu dažnai nutinka taip, kad tam tikros seserinių chromatidžių dalys yra keičiamos viena su kita. Šis „seserinis chromatinis mainas“ (SCE) pats savaime nėra žalingas, tačiau per didelis kiekis gali būti geras kai kurių rimtų sutrikimų rodiklis. To pavyzdžiai yra Bloomo sindromas: sergantys asmenys gali turėti polinkį sirgti vėžiu.

Norėdami skaičiuoti SCE įprastais metodais, patyrę gydytojai tiria nudažytas chromosomas mikroskopu ir bando identifikuoti signalinius "sukeistus" seserinių chromatidžių segmentus. Tai ne tik daug darbo reikalaujanti ir lėta, bet ir subjektyvi bei priklausanti nuo to, kaip žmogaus akis suvokia bruožus. Visiškai automatizuota mikroskopo vaizdų analizė leistų sutaupyti laiko ir objektyviai išmatuoti SCE skaičių, kad būtų galima nuosekliau diagnozuoti skirtingose ​​klinikinėse situacijose.

Dabar komanda, vadovaujama profesorių Kiyoshi Nishikawa ir Kan Okubo iš Tokijo Metropoliteno universiteto, sukūrė algoritmų rinkinį, kuris naudoja mašininį mokymąsi skaičiuojant SCE vaizduose. Jie sujungė skirtingus metodus: vienas skirtas atskiroms chromosomoms nustatyti, kitas – nustatyti, ar yra SCE, ir galiausiai kitas – sugrupuoti ir suskaičiuoti šias chromosomas, todėl buvo objektyviai, visiškai automatizuotai matuojamas SCE skaičius mikroskopo vaizde. Jie nustatė 84,1 % tikslumą, kurio pakanka praktiniam pritaikymui. Norėdami pamatyti, kaip tai veikia su tikrais duomenimis, jie surinko chromosomų vaizdus iš dirbtinai išmuštų ląsteliųBLMGenas, slopinimo tipas, pastebėtas pacientams, sergantiems Bloom sindromu. Komandos algoritmas sugebėjo sukurti SCE skaičius, kurie atitiko žmogaus skaitiklių skaičių.

Šiuo metu vyksta darbas, siekiant panaudoti didžiulį turimų klinikinių duomenų kiekį algoritmui parengti, o ateityje bus atlikti tolesni patobulinimai. Komanda mano, kad rankinio skaičiavimo pakeitimas visišku automatizavimu padės atlikti greitesnę ir objektyvesnę klinikinę analizę nei bet kada anksčiau, ir tai tik pradžia to, ką dirbtinis intelektas gali padaryti atliekant medicininius tyrimus.

Šis darbas buvo paremtas JSPS KAKENHI dotacijos numeriais 22H05072, 25K09513 ir 22K12170.

Šaltiniai: