AI dekodira jezične stanice koje se koriste za komunikaciju

Kako se embrij razvija iz male skupine matičnih stanica, te nekada "prazne" stanice počinju preuzimati specijaliziranije uloge poput stanica mozga, jetre ili mišića te se organiziraju u trodimenzionalne strukture poput tkiva i organa.

Sudbina svake stanice - u koju će se specijaliziranu stanicu pretvoriti - ovisi o tome koji su geni uključeni ili isključeni u stanici. Ti obrasci genske aktivnosti oblikuju strukturu i funkciju stanice, omogućujući joj da preuzme određenu ulogu u tijelu.

Ali ta odluka ne ovisi o pojedinačnim stanicama. One neprestano šalju i primaju kemijske signale prema i od susjednih stanica, što im pomaže da shvate gdje se nalaze, u kojoj su fazi razvoja i što bi trebale postati. Te se poruke šire kroz višekoračne sekvence koje se nazivaju signalni putevi, a koji vanjske signale prevode u specifične promjene u aktivnosti gena u stanici.

Za istraživače, mogućnost praćenja slijeda uputa koje je stanica primila ponudila bi snažan način razumijevanja razvoja tkiva i kako ti procesi kreću po zlu kod bolesti. No to je bilo teško postići jer su znanstvenici dugo pretpostavljali da se učinci signalnih putova uvelike razlikuju među vrstama stanica, što znači da bi trebali mapirati svaki put zasebno u svakoj vrsti stanice - mukotrpan i mukotrpan proces.

Sada, u novoj studiji koju su vodili docent biologije na MIT-u i član Whitehead Instituta za biomedicinska istraživanja Pulin Li i diplomirani student Nicholas Hutchins, istraživači su otkrili da svaki signalni put ostavlja jedinstveni "otisak prsta" - prepoznatljiv obrazac genske aktivnosti koji odražava određene signale s kojima se stanica susrela.

Važno je napomenuti da su ovi otisci prstiju konzistentni u različitim tipovima stanica za isti signalni put, što znači da umjesto mapiranja svakog tipa stanice zasebno, znanstvenici mogu rekonstruirati povijest signalizacije u mnogim tipovima stanica koristeći ove otiske prstiju specifične za put.

Ovo otkriće je omogućeno modelom strojnog učenja pod nazivom IRIS. Ovaj model može detektirati otiske prstiju različitih signalnih puteva i točno odrediti koje signale stanica prima u različitim fazama razvoja unutar embrija, čak i za vrste stanica s kojima se prije nije susrela. 

Ovaj pristup, vođen umjetnom inteligencijom, označava veliki napredak u odnosu na tradicionalne metode, koje zahtijevaju od istraživača da eksperimentalno testiraju svaki put u svakoj mogućoj vrsti stanice, te otvara mogućnost sveobuhvatnog mapiranja povijesti signalizacije svake stanice unutar mišjeg ili ljudskog embrija u dosad neviđenim razmjerima.

Detaljni nalazi istraživača, objavljeni u časopisu Nature Methods, mogli bi ubrzati inženjering matičnih stanica za regenerativnu medicinu i poboljšati stvaranje organoida, minijaturnih, 3D modela koji oponašaju stvarne organe za proučavanje mehanizama bolesti i testiranje novih lijekova.

To je zato što, nakon što istraživači nauče obrazac signala koji potiču matičnu stanicu da postane specifičan tip stanice, mogu ponovno stvoriti te signale kako bi kontrolirali sudbinu matičnih stanica u laboratoriju ili medicinskom okruženju.

IRIS je model temeljen na neuronskoj mreži, koji je u biti sustav pokretan umjetnom inteligencijom, dizajniran za prepoznavanje uzoraka u složenim podacima, slično načinu na koji naš mozak uočava uzorke. Ispituje ukupnu gensku aktivnost stanice i procjenjuje koji su signalni putevi vjerojatno bili "uključeni" u određenim trenucima tijekom razvoja.

Kada su istraživači koristili IRIS za identifikaciju signala potrebnih za stvaranje tipa stanice ključne za razvoj pluća, model je predvidio da će aktiviranje specifičnog signalnog puta potaknuti razvoj specifičan za pluća. Eksperimenti na mišjim embrijima potvrdili su predviđanje modela. Identificiranjem preciznih kombinacija signala koji potiču razvoj plućnih stanica, mogu pouzdanije generirati točne, laboratorijski uzgojene modele plućnog tkiva.

Ovi poboljšani modeli omogućili bi istraživačima proučavanje bolesti poput astme, raka pluća i plućne fibroze, kod kojih plućno tkivo postaje ožiljno, često bez poznatog uzroka. Zatim mogu koristiti ove modele za testiranje potencijalnih terapija i u konačnici dizajnirati regenerativne tretmane koji mogu popraviti oštećeno tkivo.