החוקרים חוקרים את מערכת החיסון האנושית על ידי התבוננות ברכיבים הפעילים, כלומר הגנים והתאים השונים המעורבים. אך יש מגוון רחב של אלה, ותצפיות בהכרח מייצרות כמויות עצומות של נתונים. לראשונה, חוקרים כולל אלה מאוניברסיטת טוקיו בנו כלי תוכנה שממנף בינה מלאכותית כדי לא רק להציע ניתוח עקבי יותר של תאים אלה במהירות אלא גם מסווג אותם ומטרתו לאתר דפוסים חדשים שאנשים טרם ראו.
מערכת החיסון שלנו חשובה – אי אפשר לדמיין חיים מורכבים הקיימים בלעדיהם. מערכת זו, הכוללת סוגים שונים של תאים, שכל אחד מהם ממלא תפקיד שונה, עוזר לזהות דברים המאיימים על בריאותנו, ולנקוט בפעולות להגן עלינו. שניהם יעילים מאוד, אך גם רחוקים מלהיות מושלמים; מכאן שקיומם של מחלות כמו תסמונת היישום החיסוני הנרכש הידוע לשמצה, או איידס. וסוגיות התנפצות אדמה אחרונות, כמו מגיפת הנגיף Coronavirus, משמשים להדגשת חשיבות המחקר סביב מערכת מורכבת ועם זאת חזקה זו.
ענף מפתח אחד במחקר באימונולוגיה כרוך בזיהוי רכיבי מערכת החיסון ובירור תפקודם. פעולה זו באמצעות התבוננות ידנית תהיה בלתי אפשרית בגלל הזמן שייקח, וכמה כלים אוטומטיים קיימים, אך יש להם מגבלות סביב דיוק, עקביות או גמישות. לשם כך, צוות חוקרים בראשותו של פרופסור טאטסוהיקו צונודה מהמחלקה למדעים ביולוגיים באוניברסיטת טוקיו עלה לאתגר ופיתח מערכת להגברת המחקר האימונולוגי.
"אנו מציגים את Schdeepinsight, מסגרת מבוססת AI לזיהוי מהיר ועקבי של תאי חיסון מ- RNA של תאים. במקום לראות את כל סוגי התאים כלא קשורים, המערכת משקפת את ההיררכיה הטבעית של מערכת החיסון", אמר חוקר המוביל שנגרו ג'יה. "על ידי הפיכת פרופילים גנטיים סלולריים לתמונות ויישום AI-מודע להיררכיה, המכונה רשת עצבית מפותלת, או CNN, זה יכול להבחין הן בסוגי תאים חיסוניים רחבים והן לתת-סוגים עדינים יותר, והיא יכולה לעשות זאת באופן עקבי יותר מאשר ניסיונות קודמים. בימינו בימינו, לתייג כ -10,000 תאים לקח מספר דקות, לאוטומציה של ימינו. הוא בטווח דומה.
ישנם שלושה היבטים עיקריים לשדפינסייט. למידה היררכית, לפיה המודל משקף את 'עץ היוחסין' של מערכת החיסון, יכול להבחין הן בקטגוריות החיסון הרחבות והן לתת -סוגים עדינים יותר. ייצוג מבוסס תמונה הופך נתוני גנים לתמונות דו-ממדיות כך שה- CNN יכול לתפוס קשרים עדינים בין גנים בצורה יעילה יותר מאשר על ידי התבוננות בטבלאות של נתונים גולמיים. ואנליטיקס המובנה במערכת יכולים להדגיש אילו גנים תורמים ביותר להתנהגות, וניתן לבדוק אותם כנגד סמנים ידועים כדי לראות כיצד הם מתיישרים עם תצפיות בעבר.
"גיליון אלקטרוני של מספרי גנים מפספס כיצד גנים מתייחסים זה לזה. כאשר אנו ממפים גנים לפיקסלים בתמונה כך שגנים קשורים ממוקמים בקרבת מקום, התוצאה היא דימוי עם מבנה משמעותי. מודלים של זיהוי תמונה כמו CNNs טובים מאוד לאיתור דפוסים כאלה, ומאפשרים להם לתפוס קשרים מורכבים בין גנים שקשים ללמוד," אמרו ג'יה. "האתגר העיקרי היה איזון בין ביצועים בין סוגי תאים רחבים וגם תת -סוגים מפורטים, במיוחד עבור אוכלוסיות תאים נדירות. התייחסנו לכך על ידי התאמת תהליך האימונים, כך שהמודל הקדיש יותר תשומת לב לקטגוריות שהיו קשה יותר להבחין בהן, מה שמפחית את הסיכון להתעלם מהסוגים הקטנים אך החשובים."
Schdeepinsight הוא בעיקר כלי מחקר ולא מערכת אבחון מלאה, בין השאר בגלל ייתכן, אך בעיקר כאשר המודל מאומן רק על תאים בריאים. על ידי יישום זה על דגימות המטופלים, החוקרים יכולים לראות היכן הם חורגים מתחילת בסיס בריאה. סטיות כאלה עשויות לספק רמזים להמשך מחקר, אך פרשנות רפואית דורשת אימות נוסף. אז פיתוח זה יסייע במחקר בסיסי בכל תחום האימונולוגיה, אך יתכן שייקח זמן עד צאצאי Schdeepinsight ימצאו את דרכם למערכות אבחון.
"מחקרים שבהם שינויים בחיסון חשובים, כולל אימונולוגיה סרטנית, זיהומים ומצבים אוטואימוניים, יכולים ליהנות מתוויות תאים אמינות יותר. מכיוון שהמודל שלנו מאומן על ידי תאי חיסון בריאים, הערך המיידי שלו הוא במתן קו בסיס בריא עקבי להשוואה. ניתן למדוד אז משמרות הקשורות למחלות," נאמר על JIA. "הכללה ואימות הם המפתח. דגימות קליניות הן מגוונות, ולכן יש לבחון את המודל על פני ניסויים ופרוטוקולים מגוונים. שילוב בזרימות עבודה קליניות, דרישות רגולטוריות לשקיפות ושחזור הן חיוניות גם לפני השימוש השגרתי. לשימוש במחקר כיום, Schdeepinsight כבר זמינה כחבילה הניתנת להורדה – החוקרים יכולים ליישם את המטרות של ה- Schdeepinsight שלהם.
העבודה על Schdeepinsight לא סיימה. הצוות שואף לשפר את יכולותיו ותכונותיו, תוך שהוא לוקח אותו מעבר לזיהוי סלולרי הקשור למערכת החיסון ולתחומים ביולוגיים אחרים. בסופו של דבר, הם מקווים לאמת את המערכת לשימוש ככלי למחקר קליני על ידי שימוש בפרופיל של מערכת חיסון מדויקת לתמיכה במחקרים על מחלות. ויש גם את עניין היכולת שלו לאתר סוגי תאים חדשים.
"עבור כל תא, המודל מוציא את ההסתברויות הן ברמות הסוג הרחבות והן ברמות תת -סוג. אם הביטחון גבוה עבור השושלת הרחבה אך נמוך עבור כל תת -הסוגים הידועים בתוך שושלת זו, התא עשוי לייצג מצב שעשוי להיות חדשני. בניתוחי בדיקה של מערכי נתונים חיסוניים מוחיים, דפוס ההסתברות הזה עזר להדגיש עשירים בתאי מיקרוגליה מתמחים בתאי עצבים. "מודלים של AI משקפים את נתוני האימונים שלהם. אם אטלס התייחסות אינו שלם, ניתן לסווג או לייצג כמה אוכלוסיות נדירות או ספציפיות להקשר. יש לפרש את התחזיות בזהירות ובאמת ניסוי. העיצוב שלנו מדגיש שקיפות לתמיכה בזהירות, שימוש מבוסס ראיות."
