Модель глубокого обучения предсказывает формирование плодовых мушек, клетка за клеткой

от

Во время раннего развития ткани и органы начинают формироваться за счёт перемещения, деления и роста тысяч клеток.

Команда инженеров Массачусетского технологического института (MIT) разработала способ прогнозирования, поминутно, как отдельные клетки будут складываться, делиться и перестраиваться на самой ранней стадии роста плодовой мушки. Новый метод может однажды быть применён для прогнозирования развития более сложных тканей, органов и организмов. Он также может помочь учёным выявить закономерности в клетках, которые соответствуют заболеваниям с ранним началом, таким как астма и рак.

В исследовании, опубликованном в журнале Nature Methods, команда представляет новую модель глубокого обучения, которая изучает, а затем предсказывает, как будут изменяться определённые геометрические свойства отдельных клеток по мере развития плодовой мушки. Модель фиксирует и отслеживает такие свойства, как положение клетки и её контакт с соседней клеткой в данный момент.

Команда применила модель к видеозаписям развивающихся эмбрионов плодовых мушек, каждый из которых начинается с кластера примерно из 5 000 клеток. Они обнаружили, что модель может с точностью 90% предсказывать, как каждая из 5 000 клеток будет складываться, смещаться и перестраиваться, поминутно, в течение первого часа развития, когда эмбрион превращается из гладкой однородной формы в более определённые структуры и особенности.

«Эта самая начальная фаза известна как гаструляция, которая длится примерно один час, когда отдельные клетки перестраиваются в масштабе минут», — говорит автор исследования Мин Гуо, доцент кафедры машиностроения в MIT. «Точно моделируя этот ранний период, мы можем начать раскрывать, как локальные взаимодействия клеток приводят к формированию глобальных тканей и организмов».

Применение модели

Исследователи надеются применить модель для прогнозирования клеточного развития у других видов, таких как рыбки данио и мыши. Затем они смогут начать выявлять закономерности, общие для разных видов. Команда также предполагает, что метод может быть использован для выявления ранних признаков заболеваний, таких как астма.

«Ткани у людей с астмой демонстрируют другую динамику клеток при визуализации в реальном времени», — говорит соавтор и аспирант MIT Хайцянь Ян. «Мы предполагаем, что наша модель может уловить эти тонкие динамические различия и предоставить более полное представление о поведении тканей, потенциально улучшая диагностику или скрининг лекарств».

Соавторы исследования — Маркус Бюлер, профессор инженерии в Массачусетском технологическом институте; Джордж Рой и Томер Стерн из Мичиганского университета; Анх Нгуен и Дапэн Би из Северо-Восточного университета.

Моделирование развития эмбриона

Учёные обычно моделируют развитие эмбриона одним из двух способов: как точечное облако, где каждая точка представляет отдельную клетку, которая движется с течением времени; или как «пену», которая представляет отдельные клетки в виде пузырьков, которые сдвигаются и скользят друг по другу, подобно пузырькам в пене для бритья.

Вместо того чтобы выбирать между двумя подходами, Гуо и Ян использовали оба. «Существуют дебаты о том, моделировать ли как точечное облако или пену, — говорит Ян. — Но оба они по сути являются разными способами моделирования одного и того же базового графа, который является элегантным способом представления живых тканей. Объединив их в один граф, мы можем выделить больше структурной информации, например, как клетки связаны друг с другом при их перестройке с течением времени».

В основе новой модели лежит структура «двойного графа», которая представляет развивающийся эмбрион как движущиеся точки и пузырьки. Благодаря этому двойному представлению исследователи надеялись уловить более детальные геометрические свойства отдельных клеток, такие как расположение ядра клетки, контакт клетки с соседней клеткой и её складывание или деление в данный момент времени.

Для доказательства принципа команда обучила новую модель «изучать», как отдельные клетки изменяются с течением времени во время гаструляции плодовой мушки. «Общая форма плодовой мушки на этом этапе примерно эллипсоидная, но на поверхности во время гаструляции происходят гигантские динамические процессы, — говорит Гуо. — Она становится из абсолютно гладкой, образуя множество складок под разными углами. И мы хотим предсказать всю эту динамику, поминутно и клетка за клеткой».

Для своего нового исследования исследователи применили новую модель к высококачественным видеозаписям гаструляции плодовых мушек, сделанным их коллегами из Мичиганского университета. Видеозаписи представляют собой часовые записи развивающихся плодовых мушек, сделанные с разрешением в одну клетку. Более того, видео содержат метки отдельных краёв клеток и ядер — данные, которые невероятно детализированы и труднодоступны.

«Эти видео чрезвычайно высокого качества, — говорит Ян. — Такие данные встречаются редко, когда вы получаете субмикронное разрешение всего трёхмерного объёма с довольно высокой частотой кадров».

Команда обучила новую модель на данных из трёх из четырёх видео с эмбрионами плодовых мушек, чтобы модель могла «изучить», как отдельные клетки взаимодействуют и изменяются по мере развития эмбриона. Затем они протестировали модель на совершенно новом видео с плодовой мушкой и обнаружили, что она способна с высокой точностью предсказывать, как изменится большинство из 5 000 клеток эмбриона, поминутно.

В частности, модель может предсказывать свойства отдельных клеток, такие как их складывание, деление или продолжение соприкосновения с соседней клеткой, примерно с 90% точностью. «Мы в итоге предсказываем не только то, что эти вещи произойдут, но и когда, — говорит Гуо. — Например, эта клетка отсоединится от этой клетки через семь минут или через восемь? Мы можем сказать, когда это произойдёт».

Команда считает, что в принципе новая модель и подход с двойным графом должны быть способны предсказывать клеточное развитие других многоклеточных систем, таких как более сложные виды, и даже некоторые человеческие ткани и органы. Ограничивающим фактором является наличие высококачественных видеоданных. «С точки зрения модели, я думаю, она готова, — говорит Гуо. — Реальным узким местом являются данные. Если у нас будут данные хорошего качества о конкретных тканях, модель можно будет напрямую применить для прогнозирования развития многих других структур».

Источник

Другие новости по теме

Другие новости на сайте