AI automatiseert het tellen van zusterchromatidenuitwisselingen, waardoor de diagnose van het Bloom-syndroom wordt verbeterd

AI automatiseert het tellen van zusterchromatidenuitwisselingen, waardoor de diagnose van het Bloom-syndroom wordt verbeterd

Onderzoekers van de Tokyo Metropolitan University hebben een reeks algoritmen ontwikkeld om het tellen van zusterchromatidenuitwisselingen (SCE) in chromosomen onder de microscoop te automatiseren. Conventionele analyse vereist getraind personeel en tijd, die van persoon tot persoon varieert. Het op machine learning gebaseerde algoritme van het team heeft een nauwkeurigheid van 84% en zorgt voor een objectievere meting. Dit zou van cruciaal belang kunnen zijn voor het diagnosticeren van aandoeningen die verband houden met een abnormaal aantal SCE, zoals het Bloom-syndroom.

DNA, de blauwdruk van het leven voor alle levende organismen, is verpakt in complexe structuren die chromosomen worden genoemd. Wanneer DNA wordt gerepliceerd, ontstaan ​​er twee identieke strengen, zusterchromatiden genaamd, die elk exact dezelfde genetische informatie dragen. In tegenstelling tot meiose hoeven zusterchromatiden tijdens de mitose geen recombinatie te ondergaan en worden ze in de meeste gevallen intact naar de dochtercellen overgebracht. Als er echter schade aan het DNA optreedt, probeert het organisme de laesie te herstellen door het resterende onbeschadigde DNA als sjabloon te gebruiken. Tijdens dit herstelproces komt het vaak voor dat bepaalde delen van de zusterchromatiden met elkaar worden uitgewisseld. Tijdens dit herstelproces komt het vaak voor dat bepaalde delen van de zusterchromatiden met elkaar worden uitgewisseld. Deze “zusterchromatische uitwisseling” (SCE) is op zichzelf niet schadelijk, maar te veel kan een goede indicator zijn voor een aantal ernstige aandoeningen. Voorbeelden hiervan zijn het Bloom-syndroom: getroffenen kunnen aanleg hebben voor kanker.

Om SCE's te tellen, onderzoeken ervaren artsen bij normale methoden gekleurde chromosomen onder een microscoop en proberen ze de veelbetekenende "verwisselde" segmenten van zusterchromatiden te identificeren. Dit is niet alleen arbeidsintensief en langzaam, maar het kan ook subjectief zijn en afhankelijk zijn van hoe het menselijk oog kenmerken waarneemt. Volledig geautomatiseerde analyse van microscoopbeelden zou tijd besparen en objectieve metingen van het aantal SCE's opleveren om consistentere diagnoses in verschillende klinische omgevingen mogelijk te maken.

Nu heeft een team onder leiding van professoren Kiyoshi Nishikawa en Kan Okubo van de Tokyo Metropolitan University een reeks algoritmen ontwikkeld die machine learning gebruiken om SCE's in afbeeldingen te tellen. Ze combineerden verschillende methoden: één om individuele chromosomen te identificeren, een andere om te bepalen of SCE's aanwezig zijn, en ten slotte een andere om deze chromosomen te groeperen en te tellen, wat resulteerde in een objectieve, volledig geautomatiseerde meting van het aantal SCE's in een microscoopbeeld. Ze bepaalden een nauwkeurigheid van 84,1%, een waarde die voldoende is voor praktische toepassingen. Om te zien hoe het werkt met echte gegevens, verzamelden ze afbeeldingen van chromosomen uit kunstmatig uitgeschakelde cellenBLMGene, het type onderdrukking dat wordt gezien bij patiënten met het Bloom-syndroom. Het algoritme van het team kon tellingen voor SCE's produceren die overeenkwamen met die van menselijke tellers.

Er wordt momenteel gewerkt aan het gebruik van de enorme hoeveelheden beschikbare klinische gegevens om het algoritme te trainen, en er zullen nog verdere verfijningen volgen. Het team is van mening dat het vervangen van handmatig tellen door volledige automatisering snellere en objectievere klinische analyses dan ooit tevoren mogelijk zal maken, en dat dit nog maar het begin is van wat AI kan doen voor medisch onderzoek.

Dit werk werd ondersteund door JSPS KAKENHI Grant Numbers 22H05072, 25K09513 en 22K12170.

Bronnen: