U novoj studiji istraživači sa Sveučilišta Kalifornije u San Franciscu (UCSF) primijenili su AI i machine learning kako bi u arhiviranim bazama podataka o bolestima pronašli skriveno korisne informacije koje mogu ubrzati biotehnološka istraživanja i otkrivanje lijekova za Alzheimerova bolest te za druge zdravstvene poremećaje.
“Unatoč opsežnim naporima u otkrivanju lijekova, ne postoje učinkoviti tretmani koji sprječavaju ili čak usporavaju napredovanje Alzheimerova bolest”, napisali su istraživači. “Od brojnih terapijskih meta koje se istražuju, patogeno pogrešno savijanje i nakupljanje proteina tau u neurofibrilarne spletove (NFT) nametnulo se kao ciljani mehanizam.”
Alzheimerova bolest čini 60-80 posto slučajeva demencije i najčešći je uzrok demencije prema Alzheimerovom udruženju (Alzheimer’s Association). Demencija je pad mentalnih sposobnosti koji ometa svakodnevne aktivnosti, uz simptome koji mogu utjecati na sposobnost pamćenja, razmišljanja i zaključivanja. Procjenjuje se da će 139 milijuna ljudi diljem svijeta živjeti s demencijom do 2050., a više od 55 milijuna ljudi globalno živjelo je s demencijom 2020. prema organizaciji Alzheimer’s Disease International. Prema inicijativi The Women’s Alzheimer’s Movement, organizaciji koju je osnovala Maria Shriver, procjenjuje se da oko 6 milijuna Amerikanaca živi s Alzheimerova bolest, od čega su dvije trećine žene, a znanstvenici ne znaju zašto.
U ovoj studiji primijenjen je machine learning na arhivsku bazu podataka visokosadržajnog probira – High Content Screening (HCS) – koja je sadržavala informacije o fenotipskim učincima malih molekula relevantnih za liječenje Alzheimerova bolest.
Istraživači su nastojali poboljšati izdvajanje bioloških uvida iz slikovnih podataka prikupljenih metodom HCS, koja je važan dio procesa otkrivanja lijekova. U praksi to znači da se iz velike količine mikroskopskih snimaka pokušava izvući više od onoga što je vidljivo “na prvi pogled” – na razini uzoraka u stanicama, promjena u distribuciji proteina i suptilnih morfoloških obilježja.
Njihova je hipoteza bila da AI i machine learning mogu pronaći “djelotvorne” informacije unutar HCS arhiva i time dati vrijedne uvide u biokemijske značajke biološkog sustava, što potom može ubrzati biotehnološka istraživanja i otkrivanje lijekova za Alzheimerova bolest. Ključno je da se takvi uvidi dobiju bez ponovnog izvođenja pokusa – jer su uzorci, uvjeti i resursi često nedostupni nakon završetka projekta.
U mikrobiologiji i širem području biomedicinskih znanosti, High Content Screening – poznat i kao automatizirani probir temeljen na mikroskopiji – koristi se u istraživanjima i toksikološkom probiru u svrhu otkrivanja lijekova. Razvijen je sredinom 1990-ih i često se primjenjuje u istraživanjima sustavne biologije te u procjeni mijenjaju li kandidati za lijek tijek bolesti, jer omogućuje mjerenje i razumijevanje funkcija proteina, RNA i drugih sastavnica živih stanica.
Visokosadržajni probir najčešće se oslanja na fluorescencijsku mikroskopiju živih stanica i organizama, pri čemu se svjetleći fluorescentni materijali promatraju pod mikroskopom. Tipično se stanice uzorka oboje fluorescentnom bojom koja “zasvijetli” kada se izloži svjetlosti kratke valne duljine, primjerice plavoj ili ultraljubičastoj (UV) svjetlosti, a zatim se promatra kroz filtre koji uklanjaju neželjene valne duljine.
Kako bi se iz takvih snimaka izvukla dodatna informacija, standardna metodologija često uključuje uvođenje dodatnih bioloških markera. Markeri su korisni jer mogu specifično označiti strukture ili molekule od interesa, primjerice agregate određenog proteina ili promjene u staničnim organelima. No taj pristup ima jasne nedostatke – može biti skup, dugotrajan ili previše zahtjevan za rutinsku primjenu, osobito kada se radi o velikom broju uzoraka.
Dodatni problem nastaje kod velikih arhivskih skupova podataka, gdje je istraživanje već završeno, a eksperiment se ne može “vratiti unatrag” da bi se uveo novi marker. U tim situacijama znanstvenici raspolažu samo onim kanalima snimanja koji su tada bili planirani, pa je potencijalno puno informacija ostalo neiskorišteno. Upravo tu se otvara prostor da AI pristupi pretraživanju skrivenih odnosa u već postojećim slikama – bez dodatnog laboratorijskog rada.
Istraživači su izvijestili da su, primjenjujući svoj pristup temeljen na AI i machine learning, uspjeli identificirati nove spojeve koji učinkovito blokiraju agregaciju proteina tau, a koji prethodno nisu bili uočeni postojećim pristupima probira bez umjetnih markera. U kontekstu Alzheimerova bolest to je važno jer se patološko nakupljanje tau često promatra kao jedan od ključnih procesa povezanih s oštećenjem neurona i kliničkim napredovanjem simptoma.
“Ograničenja markera nadvladali smo računalno tako što smo izravno naučili fenotipske odnose između vrlo informativnog, ali nezgrapnog markera i drugih sličnih, ali lakše dostupnih markera”, napisali su autori. “Ti skriveni odnosi zatim su projicirani u novo generirane slike koje su prikazivale željeni fluorescentni signal nezgrapnog markera.”
U praktičnom smislu, takav postupak znači da model uči kako izgleda “potpis” ciljnog signala kada su dostupni samo drugi, jednostavniji signali. Drugim riječima, ako je u izvornom eksperimentu postojao marker koji je teško ili rijetko korišten, a istodobno su snimani i drugi kanali koji su češći, model može naučiti odnos među njima. Kada se taj odnos jednom nauči, može se primijeniti na snimke gdje težak marker nije prisutan, čime se dobiva procjena – odnosno računalna rekonstrukcija – onoga što bi taj marker vjerojatno pokazao.
Za Alzheimerova bolest to može značiti detaljnije rangiranje kandidata za lijekove prema tome koliko snažno utječu na agregaciju tau, čak i kada se izvorno nije mjerio najinformativniji signal. Time se povećava vrijednost povijesnih podataka: umjesto da arhiva bude samo zapis prošlog rada, ona postaje aktivan resurs iz kojeg se mogu izvući nove hipoteze i potencijalni terapijski smjerovi.
Zašto su arhivske baze podataka važne u otkrivanju lijekova
Proces otkrivanja lijekova često uključuje probir velikog broja malih molekula, uz mjerenje njihovog učinka na biološki sustav. Metode poput HCS generiraju golema slikovna spremišta koja sadrže mnogo informacija o stanicama – od morfologije i rasporeda organela do promjena u lokalizaciji specifičnih proteina. Međutim, u mnogim projektima analiza se svodi na ograničen broj unaprijed definiranih metrika, što znači da se dio signala nikada ne interpretira.
U Alzheimerova bolest, gdje je biološki proces složen i višeslojan, takva “neiskorištena” informacija može biti osobito relevantna. Promjene koje prethode jasno vidljivim oštećenjima mogu se odraziti u suptilnim fenotipskim obrascima, a upravo su ti obrasci kandidati za rano prepoznavanje učinkovitih spojeva ili za razlikovanje korisnih od nepoželjnih učinaka. AI sustavi su dizajnirani da prepoznaju takve obrasce na razini koju je teško postići ručnim pregledom ili jednostavnim statističkim sažecima.
Važno je naglasiti da se ovdje ne radi o “čarobnom” pronalasku lijeka za Alzheimerova bolest, nego o poboljšanju učinkovitosti procesa probira. U okruženju gdje su laboratorijski resursi skupi, a vrijeme ključno, svako poboljšanje u načinu na koji se koriste postojeći podaci može povećati vjerojatnost da se u ranoj fazi identificiraju kandidati vrijedni daljnjeg razvoja.
Kako se pristup uklapa u rad s markerima
Biološki markeri su središnji alat u mikroskopskim eksperimentima, ali svaki dodatni marker nosi dodatne korake: optimizaciju bojanja, provjeru specifičnosti, kontrolu pozadinskog signala i usklađivanje parametara snimanja. U arhiviranim eksperimentima ti koraci više nisu dostupni, pa se znanstvenici suočavaju s izborom – ili prihvatiti ograničenja postojećih kanala, ili ponavljati skupe i dugotrajne eksperimente.
Pristup temeljen na machine learning nastoji ublažiti taj izbor. Učeći odnos između “cijenjenog” markera i dostupnijih signala, model omogućuje da se informacija koja je inače vezana uz taj marker procijeni iz postojećih snimaka. Time se potencijalno otvara put za ponovnu analizu brojnih povijesnih skupova podataka, uključujući one povezane s Alzheimerova bolest, gdje su raniji projekti možda imali drugačije prioritete u snimanju.
Za radne tokove u otkrivanju lijekova, takva mogućnost može promijeniti način na koji se planiraju eksperimenti: umjesto da se svaki informativni marker mora nužno snimiti u svakoj seriji, dio informacija mogao bi se nadomjestiti računalno – uz odgovarajuću validaciju i jasno definirane granice primjene. U kontekstu Alzheimerova bolest to može biti relevantno kada je cilj brzo usporediti velik broj spojeva i odabrati manji broj za dublje biološke provjere.
Primjenjivost izvan Alzheimerove bolesti
Autori navode da se algoritam može koristiti i za druge bolesti – ne samo za Alzheimerova bolest – te da se može primijeniti na potragu za skrivenim informacijama u drugim arhiviranim skupovima slika fluorescencijske mikroskopije. Kako bi procijenili opću primjenjivost pristupa, znanstvenici su testirali algoritam na skupu podataka iz područja raka, u drugačijem biološkom okruženju.
Konkretnije, primijenili su metodu na funkcionalni genomski probir u čestom tipu raka kostiju, osteosarkomu, koristeći staničnu liniju kao eksperimentalni sustav. Takav test je važan jer pokazuje može li model učiti odnose između markera i fenotipova u sustavima koji se razlikuju po tipu stanica, dinamici rasta i biološkim putovima. Ako se pristup može prenijeti između domena, onda je vjerojatnije da će biti koristan i u drugim područjima gdje se radi s velikim arhivama slika.
U praksi to znači da se jednom razvijeni analitički okvir može prilagoditi različitim laboratorijskim bazama podataka, sve dok postoje usporedivi kanali snimanja i dovoljno podataka za učenje. Za Alzheimerova bolest to je relevantno i zato što se istraživanje sve češće oslanja na interdisciplinarne izvore – od staničnih modela do tkivnih uzoraka – gdje se metode snimanja i markeri mogu razlikovati, a ipak dijele temeljni cilj: razumijevanje i modulacija patoloških procesa.
“Bitno štivo o umjetnoj inteligenciji” iz izvornog konteksta može se razumjeti kao signal šireg trenda: spajanje AI metoda s biološkim snimanjem i bazama podataka. U tom trendu, vrijednost nije samo u pojedinačnom modelu, nego u sposobnosti da se postojeća istraživačka infrastruktura – uključujući arhive podataka – ponovno aktivira za nova pitanja.
Kombinacija AI, fluorescencijske mikroskopije i baza podataka iz područja životnih znanosti daje istraživačima alat koji može ubrzati otkrivanje lijekova i razvoj novih terapijskih pristupa. U okviru Alzheimerova bolest, takav alat može doprinijeti prepoznavanju spojeva koji utječu na agregaciju tau, optimizaciji prioriteta u daljnjem testiranju te boljem razumijevanju fenotipskih obrazaca koji prate promjene u staničnim sustavima.
Copyright © 2022 Cami Rosso
