Při hledání účinné léčby nádorových onemocnění budou hrát stále větší roli algoritmy umělé inteligence (AI). Metody strojového učení totiž dokážou výrazně snížit čas, úsilí a náklady spojené s vývojem nových léčiv. Na jejich objevování spolupracují informatici z katedry kybernetiky Fakulty elektrotechnické Českého vysokého učení (FEL ČVUT) v Praze s vědci z Ústavu molekulární a translační medicíny (ÚMTM) Lékařské fakulty Univerzity Palackého.
„Podařilo se nám vyvinout postup, který je s využitím nástrojů umělé inteligence schopen z mikroskopických obrázků vyhodnotit účinek vybraných léčiv na kulturu nádorových buněk. Pravděpodobnost správné klasifikace do jedné ze tří skupin u naší metody překračuje 98 procent, čímž překonáváme předchozí metody. To otevírá cestu k mnohem jednoduššímu vysokokapacitnímu buněčnému screeningu, který přispěje k rychlejšímu vývoji nových protinádorových léčiv,“ hodnotí přínos výzkumu Jan Kybic, vedoucí skupiny Algoritmy pro biomedicínské zobrazování z FEL ČVUT.
„Umělá inteligence a její praktické aplikace nacházejí v medicíně rozsáhlé využití. Dnes se již rutinně používají v radiologické diagnostice, v histopatologii nebo při endoskopickém vyšetření. Novou aplikací, kterou jsme rozvinuli ve spolupráci s týmem profesora Kybice na FEL ČVUT v Praze, je využití AI v oblasti vývoje léčiv. Dlouhodobě jsme se domnívali, že z reakce buněk na potenciální léčivo v čase lze odhadnout mechanismus jeho účinku, který je ovšem lidským okem a mozkem nevyhodnotitelný,” vysvětluje Marián Hajdúch, ředitel ÚMTM LF UP a lékařský ředitel Národního ústavu pro výzkum rakoviny (NÚVR).
Dva výzkumné týmy a unikátní výzkumné infrastruktury CZ-OPENSCREEN a EATRIS-CZ proto vzájemně spojily síly k analýze obrazu buněk vystavených působení léčiv pomocí nástrojů umělé inteligence. „Výsledky předčily naše očekávání, podařilo se nám rozlišit účinek i chemicky a mechanisticky velmi příbuzných látek. V tomto projektu a úspěšné spolupráci s ČVUT budeme s potěšením pokračovat i v budoucnosti a rádi rozšíříme naši spolupráci i o další týmy zabývající se AI,” dodává Marián Hajdúch.
Superpočítač zrychluje analýzu snímků i vyškolení neuronové sítě
Informatici z FEL ČVUT při analýze obrazů buněk využívají snímky z fázové kontrastní mikroskopie, které lze oproti konvenčním fluorescenčním snímkům získat snadněji a rychleji. Navíc snímky z fázové kontrastní mikroskopie nepoškozují buňky, a lze je tak využívat k zobrazování živých buněčných kultur. Fakta o výzkumu shrnuje článek publikovaný v prosincovém čísle vědeckého časopisu Computers in Biology and Medicine.
Vědci při výzkumu využívají rozsáhlé banky chemických látek a přístrojového vybavení ÚMTM LF UP, se kterými lze automaticky realizovat velké množství experimentů. Časosběrné snímky, které zachycují reakci buněčných kultur vystavených účinkům léčiv, následně putují k počítačovému zpracování informatiků. Na FEL ČVUT projdou analýzou s využitím nástrojů umělé inteligence.
„Využíváme přitom konvoluční neuronovou síť, která už je vycvičená přímo na vstupních snímcích z fázové kontrastní mikroskopie. Vyhodnocení účinku jedné kontrastní látky pak trvá řádově několik vteřin na obrázek za předpokladu, že je neuronová síť již vytrénovaná, což zabere několik dní,“ upřesňuje proces vyhodnocování dat Jan Kybic. Při jejich zpracování vědci využívají superpočítač RCI v prostorách ČVUT, jehož robustní výpočetní výkon práci významně urychluje.
Nejnáročnější je ovšem síť naprogramovat a navrhnout vhodné algoritmy, což je výsledek práce mnoha měsíců, na které se podíleli zejména Denis Baručič a Sumit Kaushik, doktorand a postdoktorand z týmu profesora Kybice.
Výzkum se rozšíří z jednotek na stovky chemických látek
Jan Kybic přitom upozorňuje, že vysoce výkonný buněčný screening za standardizovaných podmínek je pouze jedním z mnoha kroků v procesu objevování léčiv. Vědcům ze skupiny Algoritmy pro biomedicínské zobrazování na FEL ČVUT a Ústavu molekulární a translační medicíny LF UP se zatím podařilo tímto způsobem analyzovat účinek několika chemických látek; v dalších fázích výzkumu bude potřeba velikost souboru rozšířit na řádově stovky. Vědci budou rovněž zohledňovat různé mechanismy účinku a případně více typů buněčných linií a další faktory.